mindspore.ops.std

mindspore.ops.std(input_x, axis=(), unbiased=True, keep_dims=False)[源代码]

默认情况下，输出Tensor各维度上的标准差与均值，也可以对指定维度求标准差与均值。如果 axis 是维度列表，则减少对应的维度。

参数：

  • input_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)。

  • unbiased (bool) - 如果为True，使用贝塞尔校正。否则不使用贝塞尔校正。默认值：True。

  • 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：

Tensor。

  • 如果 axis 为()，且 keep_dims 为False，则输出一个0维Tensor，表示输入Tensor中所有元素的标准差。

  • 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 - input_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 CPU

样例：

>>> from mindspore.ops import functional as F
>>> input_x = Tensor(np.array([[1, 2, 3], [-1, 1, 4]]).astype(np.float32))
>>> output = F.std(input_x, 1, True, False)
>>> output_std, output_mean = output[0], output[1]
>>> print(output_std)
[1.        2.5166116]
>>> print(output_mean)
[2.        1.3333334]