mindspore.nn.Moments
- class mindspore.nn.Moments(axis=None, keep_dims=None)[源代码]
沿指定轴 axis 计算输入 x 的均值和方差。
- 参数:
axis (Union[int, tuple(int), None]) - 沿指定轴 axis 计算均值和方差,值为None时代表计算 x 所有值的均值和方差。默认值:None。
keep_dims (Union[bool, None]) - 如果为True,计算结果会保留 axis 的维度,即均值和方差的维度与输入的相同。如果为False或None,则会降低 axis 的维度。默认值:None。
- 输入:
x (Tensor) - 用于计算均值和方差的任意维度的Tensor。数据类型仅支持float16和float32。
- 输出:
mean (Tensor) - x 在 axis 上的均值,数据类型与输入 x 相同。
variance (Tensor) - x 在 axis 上的方差,数据类型与输入 x 相同。
- 异常:
TypeError - axis 不是int,tuple或None。
TypeError - keep_dims 既不是bool也不是None。
TypeError - x 的数据类型既不是float16也不是float32。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> # case1: axis = 0, keep_dims=True >>> x = Tensor(np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]), mindspore.float32) >>> net = nn.Moments(axis=0, keep_dims=True) >>> output = net(x) >>> print(output) (Tensor(shape=[1, 2, 2], dtype=Float32, value= [[[ 3.00000000e+00, 4.00000000e+00], [ 5.00000000e+00, 6.00000000e+00]]]), Tensor(shape=[1, 2, 2], dtype=Float32, value= [[[ 4.00000000e+00, 4.00000000e+00], [ 4.00000000e+00, 4.00000000e+00]]])) >>> # case2: axis = 1, keep_dims=True >>> net = nn.Moments(axis=1, keep_dims=True) >>> output = net(x) >>> print(output) (Tensor(shape=[2, 1, 2], dtype=Float32, value= [[[ 2.00000000e+00, 3.00000000e+00]], [[ 6.00000000e+00, 7.00000000e+00]]]), Tensor(shape=[2, 1, 2], dtype=Float32, value= [[[ 1.00000000e+00, 1.00000000e+00]], [[ 1.00000000e+00, 1.00000000e+00]]])) >>> # case3: axis = 2, keep_dims=None(default) >>> net = nn.Moments(axis=2) >>> output = net(x) >>> print(output) (Tensor(shape=[2, 2], dtype=Float32, value= [[ 1.50000000e+00, 3.50000000e+00], [ 5.50000000e+00, 7.50000000e+00]]), Tensor(shape=[2, 2], dtype=Float32, value= [[ 2.50000000e-01, 2.50000000e-01], [ 2.50000000e-01, 2.50000000e-01]])) >>> # case4: axis = None(default), keep_dims=None(default) >>> net = nn.Moments() >>> output = net(x) >>> print(output) (Tensor(shape=[], dtype=Float32, value= 4.5), Tensor(shape=[], dtype=Float32, value= 5.25))