torch.var

torch.var(input, dim=None, *, correction=1, keepdim=False, out=None) → Tensor

Вычисляет дисперсию по измерениям, заданным dim. dim может быть одним измерением, списком измерений или None, чтобы выполнить сокращение по всем измерениям.

Дисперсия ($\sigma^2$) рассчитывается как

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

где $x$ — набор элементов выборки, $\bar{x}$ — среднее значение выборки, $N$ — число выборок, а $\delta N$ — correction.

Если keepdim равно True, выходной тензор имеет такой же размер, как input, за исключением измерения(измерений) dim, где он имеет размер 1. В противном случае, dim сжимается (см. torch.squeeze()), в результате чего выходной тензор имеет на 1 (или len(dim)) меньше измерение(измерения).

Параметры

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

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 являлись correction=0.

• keepdim (bool) – сохраняется ли размерность выходного тензора.
• out (Тензор, необязательно) – выходной тензор.

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.var(a, dim=1, keepdim=True)
tensor([[1.0631],
        [0.5590],
        [1.4893],
        [0.8258]])