mindspore.mint.mean
- mindspore.mint.mean(input, dim=None, keepdim=False, *, dtype=None)[源代码]
默认情况下,移除输入所有维度,返回 input 中所有元素的平均值。也可仅缩小指定维度 dim 大小至1。 keepdim 控制输出和输入的维度是否相同。
说明
Tensor类型的 dim 仅用作兼容旧版本,不推荐使用。
- 参数:
input (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。
dim (Union[int, tuple(int), list(int), Tensor]) - 要减少的维度。默认值:
None
,缩小所有维度。只允许常量值。假设 input 的秩为r,取值范围[-r,r)。keepdim (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
。
- 关键字参数:
dtype (
mindspore.dtype
, 可选) - 期望输出Tensor的类型。默认值:None
。
- 返回:
Tensor。
如果 dim 为
None
,且 keepdim 为False
,则输出一个零维Tensor,表示输入Tensor中所有元素的平均值。如果 dim 为int,取值为1,并且 keepdim 为
False
,则输出的shape为 \((input_0, input_2, ..., input_R)\) 。如果 dim 为tuple(int)或list(int),取值为(1, 2),并且 keepdim 为
False
,则输出Tensor的shape为 \((input_0, input_3, ..., input_R)\) 。如果 dim 为一维Tensor,例如取值为[1, 2],并且 keepdim 为
False
,则输出Tensor的shape为 \((input_0, input_3, ..., input_R)\) 。
- 异常:
TypeError - input 不是Tensor。
TypeError - dim 不是以下数据类型之一:int、tuple、list或Tensor。
TypeError - keepdim 不是bool类型。
ValueError - dim 超出范围。
- 支持平台:
Ascend
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, mint >>> x = Tensor(np.random.randn(3, 4, 5, 6).astype(np.float32)) >>> output = mint.mean(x, 1, keepdim=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 = mint.mean(x) >>> print(output) 5.0 >>> print(output.shape) () >>> # case 2: Reduces a dimension along the axis 0 >>> output = mint.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 = mint.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 = mint.mean(x, 2, True) >>> print(output) [[[ 2.] [ 2.] [ 2.]] [[ 4.] [ 5.] [ 6.]] [[ 6.] [ 8.] [10.]]]