torch.std_mean

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

Вычисляет стандартное отклонение и среднее значение по указанным измерениям dim. dim может быть одним измерением, списком измерений или None, чтобы уменьшить по всем измерениям.

Стандартное отклонение ($\sigma$) рассчитывается как

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

где $x$ — множество элементов выборки, $\bar{x}$ — выборочное среднее, $N$ — количество выборок, а $\delta N$ — correction.

Если keepdim равно True, тензор вывода имеет тот же размер, что и input за исключением измерения(ей) dim, где размер равен 1. В противном случае, dim сжимается (см. torch.squeeze()), что приводит к тензору вывода с на 1 (или len(dim) ) меньшим числом измерения(ей).

Параметры

• input (Tensor) – входной тензор.
• dim (int или кортеж из целых чисел, необязательно) – измерение или измерения для сокращения. Если None, сокращаются все измерения.

Ключевые аргументы

• correction (int) –

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

  Изменено в версии 2.0: Ранее этот аргумент назывался unbiased и был булевым значением, где True соответствовало correction=1 и False являлось correction=0.

• keepdim (bool) – сохранять ли размерность вывода dim.
• out (Tensor, необязательно) – тензор вывода.

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]])
>>> 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]]))