mindspore.ops.mean

mindspore.ops.mean(x, axis=(), keep_dims=False)[源代码]

默认情况下，使用指定维度的平均值代替该维度的其他元素，以移除该维度。也可仅缩小该维度大小至1。 keep_dims 控制输出和输入的维度是否相同。

参数：

x (Tensor[Number]) - 输入Tensor，其数据类型为数值型。shape： \((N, *)\) ，其中 \(*\) 表示任意数量的附加维度。秩应小于8。
axis (Union[int, tuple(int), list(int)]) - 要减少的维度。默认值: ()，缩小所有维度。只允许常量值。假设 x 的秩为r，取值范围[-r,r)。
keep_dims (bool) - 如果为True，则保留缩小的维度，大小为1。否则移除维度。默认值：False。

返回：

与输入的张量具有相同的数据类型的Tensor。

如果 axis 为()，且 keep_dims 为False，则输出一个0维Tensor，表示输入Tensor中所有元素的平均值。
如果 axis 为int，取值为1，并且 keep_dims 为False，则输出的shape为 \((x_0, x_2, ..., x_R)\) 。
如果 axis 为tuple(int)或list(int)，取值为(1, 2)，并且 keep_dims 为False，则输出Tensor的shape为 \((x_0, x_3, ..., x_R)\) 。

异常：

TypeError - x 不是Tensor。
TypeError - axis 不是以下数据类型之一：int、Tuple或List。
TypeError - keep_dims 不是bool类型。
ValueError - axis 超出范围。

支持平台：: Ascend GPU CPU

样例：

>>> x = Tensor(np.random.randn(3, 4, 5, 6).astype(np.float32))
>>> output = ops.mean(x, 1, keep_dims=True)
>>> result = output.shape
>>> print(result)
(3, 1, 5, 6)
>>> # case 1: Reduces a dimension by averaging all elements in the dimension.
>>> x = Tensor(np.array([[[2, 2, 2, 2, 2, 2], [2, 2, 2, 2, 2, 2], [2, 2, 2, 2, 2, 2]],
... [[4, 4, 4, 4, 4, 4], [5, 5, 5, 5, 5, 5], [6, 6, 6, 6, 6, 6]],
... [[6, 6, 6, 6, 6, 6], [8, 8, 8, 8, 8, 8], [10, 10, 10, 10, 10, 10]]]),
... mindspore.float32)
>>> output = ops.mean(x)
>>> print(output)
5.0
>>> print(output.shape)
()
>>> # case 2: Reduces a dimension along the axis 0
>>> output = ops.mean(x, 0, True)
>>> print(output)
[[[4. 4. 4. 4. 4. 4.]
  [5. 5. 5. 5. 5. 5.]
  [6. 6. 6. 6. 6. 6.]]]
>>> # case 3: Reduces a dimension along the axis 1
>>> output = ops.mean(x, 1, True)
>>> print(output)
[[[2. 2. 2. 2. 2. 2.]]
 [[5. 5. 5. 5. 5. 5.]]
 [[8. 8. 8. 8. 8. 8.]]]
>>> # case 4: Reduces a dimension along the axis 2
>>> output = ops.mean(x, 2, True)
>>> print(output)
[[[ 2.]
  [ 2.]
  [ 2.]]
 [[ 4.]
  [ 5.]
  [ 6.]]
 [[ 6.]
  [ 8.]
  [10.]]]