torch.std_mean

torch.std_mean(input, dim=None, *, correction=1, keepdim=False, out=None)

Вычисляет стандартное отклонение и среднее по измерениям, указанным в dim. dim может быть одним измерением, списком измерений или None для вычисления по всем измерениям.

Стандартное отклонение ($\sigma$) вычисляется следующим образом:

$$\sigma = \sqrt{\frac{1}{\max(0,~N - \delta N)}\sum_{i=0}^{N-1}(x_i-\bar{x})^2}$$

где $x$ — выборка элементов, $\bar{x}$ — среднее значение выборки, $N$ — количество элементов выборки, а $\delta N$ — correction.

Если keepdim равен True, выходной тензор имеет тот же размер, что и input, за исключением измерений dim, размер которых равен 1. В противном случае dim сжимается (см. torch.squeeze()), в результате чего выходной тензор имеет на 1 (или len(dim)) измерение меньше.

Параметры:

• input (Tensor) – входной тензор.
• dim (int or tuple of ints, optional) – измерение или измерения для редукции. Если None, редукция выполняется по всем измерениям.

Именованные аргументы:

• correction (int) –

  разница между размером выборки и числом степеней свободы выборки. По умолчанию используется поправка Бесселя, correction=1.

  Изменено в версии 2.0: Ранее этот аргумент назывался unbiased и имел тип boolean: значение True соответствовало correction=1, а False — correction=0.

• keepdim (bool, optional) – сохраняются ли dim в выходном тензоре. По умолчанию: False.
• out (Tensor, optional) – выходной тензор.

Возвращает:

Кортеж (std, mean), содержащий стандартное отклонение и среднее значение.

Пример

>>> a = torch.tensor(
...     [[ 0.2035,  1.2959,  1.8101, -0.4644],
...      [ 1.5027, -0.3270,  0.5905,  0.6538],
...      [-1.5745,  1.3330, -0.5596, -0.6548],
...      [ 0.1264, -0.5080,  1.6420,  0.1992]]
... )  # fmt: skip
>>> torch.std_mean(a, dim=0, keepdim=True)
(tensor([[1.2620, 1.0028, 1.0957, 0.6038]]),
 tensor([[ 0.0645,  0.4485,  0.8707, -0.0665]]))