mindspore.mint.std

mindspore.mint.std(input, dim=None, *, correction=1, keepdim=False)

计算指定维度 dim 上的标准差。 dim 可以是单个维度、维度列表，也可以是 None ， 表示移除所有维度。

标准差 (\(\sigma\)) 计算如下：

\[\sigma =\sqrt{\frac{1}{N-\delta N}\sum_{j-1}^{N-1}\left(s e l f_{i j}-\overline{x_{i}}\right)^{2}}\]

其中 \(x\) 表示用来计算标准差的样本集, \(\bar{x}\) 表示样本的均值, \(N\) 表示样本的数量，\(\delta N\) 则为 correction 的值。

警告

这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - 用来求标准差的Tensor。

• dim (None, int, tuple(int), 可选) - 用来进行规约计算的维度。默认值为 None ，所有维度都进行规约计算。

关键字参数：

• correction (int, 可选) - 样本大小和样本自由度之间的差异。默认为Bessel校正，默认值为 1 。

• keepdim (bool, 可选) - 是否保留输出Tensor的维度。如果为 True ，则保留缩小的维度，其大小为1，否则移除维度。默认值为 False 。

返回：

Tensor，标准差。 假设输入 input 的shape为 \((x_0, x_1, ..., x_R)\) ：

• 如果 dim 为()，且 keepdim 为 False ，则返回一个零维Tensor，表示输入Tensor input 中所有元素的标准差。

• 如果 dim 为int，如取值为 1 ，且 keepdim 为 False ，则返回Tensor的shape为 \((x_0, x_2, ..., x_R)\) 。

• 如果 dim 为tuple(int)或者list(int)，如取值为 (1, 2) ，且 keepdim 为 False ，则返回Tensor的shape为 \((x_0, x_3, ..., x_R)\) 。

异常：

• TypeError - 如果 input 不是Tensor。

• TypeError - 如果 input 的数据类型不是bfloat16，float16或float32。

• TypeError - 如果 dim 不是None，int或tuple类型。

• TypeError - 如果 correction 不是int类型。

• TypeError - 如果 keepdim 不是bool类型。

• ValueError - 如果 dim 不在 \([-input.ndim, input.ndim)\) 范围内。

支持平台：

Ascend

样例：

>>> import numpy as np
>>> from mindspore import mint, Tensor
>>> input = Tensor(np.array([[1, 2, 3], [-1, 1, 4]]).astype(np.float32))
>>> output = mint.std(input, dim=1, correction=1, keepdim=False)
>>> print(output)
[1.      2.5166113]