比较与torch.std_mean的功能差异

torch.std_mean

torch.std_mean(input, dim, unbiased=True, keepdim=False, *, out=None)

更多内容详见torch.std_mean。

mindspore.ops.std_mean

mindspore.ops.std_mean(input, axis=None, ddof=0, keepdims=False)

更多内容详见mindspore.ops.std_mean。

差异对比

PyTorch：输出Tensor各维度上的标准差和均值，也可以按照 dim 对指定维度求标准差和均值。unbiased 如果为True，使用Bessel校正；如果是False，使用偏置估计来计算标准差。keepdim 控制输出和输入的维度是否相同。

MindSpore：输出Tensor各维度上的标准差和均值，也可以按照 axis 对指定维度求标准差和均值。如果 ddof 是布尔值，和 unbiased 作用相同； ddof 为整数，计算中使用的除数是 N−ddof，其中N表示元素的数量。keepdim 控制输出和输入的维度是否相同。

分类	子类	PyTorch	MindSpore	差异
参数	参数 1	input	input	功能一致，参数名不同
	参数 2	dim	axis	功能一致，参数名不同
	参数 3	unbiased	ddof	`ddof` 为布尔值时，和 `unbiased` 功能一致
	参数 4	keepdim	keepdims	功能一致，参数名不同
	参数 5	out	-	MindSpore无此参数

代码示例

# PyTorch
import torch

input = torch.tensor([[[9, 7, 4, -10],
                       [-9, -2, 1, -2]]], dtype=torch.float32)
print(torch.std_mean(input, dim=2, unbiased=True, keepdim=True))
# (tensor([[[8.5829],
#          [4.2426]]]), tensor([[[ 2.5000],
#          [-3.0000]]]))

# MindSpore
import mindspore as ms

input = ms.Tensor([[[9, 7, 4, -10],
                    [-9, -2, 1, -2]]], ms.float32)
print(ms.ops.std_mean(input, axis=2, ddof=True, keepdims=True))
# (Tensor(shape=[1, 2, 1], dtype=Float32, value=
# [[[ 8.58292866e+00],
#   [ 4.24264050e+00]]]), Tensor(shape=[1, 2, 1], dtype=Float32, value=
# [[[ 2.50000000e+00],
#   [-3.00000000e+00]]]))