mindspore.ops.var_mean

mindspore.ops.var_mean(input, axis=None, ddof=0, keepdims=False)[源代码]

默认情况下，输出Tensor各维度上的方差和均值，也可以对指定维度求方差和均值。如果 axis 是维度列表，则计算对应维度的方差和均值。

说明

如果 ddof 是0、1、True或False，支持的平台只有 Ascend 和 CPU 。其他情况下，支持平台是 Ascend 、 GPU 和 CPU 。

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。

  • axis (Union[int, tuple(int)]，可选) - 要进行归约计算的维度。只允许常量值。假设 input 的秩为r，取值范围[-r,r)。默认值： None ，计算所有元素的均值和方差。

  • ddof (Union[int, bool]，可选) - δ自由度。如果为整数，计算中使用的除数是 \(N - ddof\) ，其中 \(N\) 表示元素的数量。如果为 True ，使用Bessel校正。如果是 False ，使用偏置估计来计算方差。默认值： 0 。

  • keepdims (bool，可选) - 是否保留输出Tensor的维度。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：

包含方差和均值的tuple。 假设输入 input 的shape为 \((x_0, x_1, ..., x_R)\) ：

  • 如果 axis 为()，且 keepdims 为 False ，则输出一个零维Tensor，表示输入Tensor input 中所有元素的方差。

  • 如果 axis 为int，取值为1，并且 keepdims 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 keepdims 为 False ，则输出Tensor的shape为 \((x_0, x_2, ..., x_R)\) 。

异常：

  • TypeError - input 不是Tensor。

  • TypeError - axis 不是以下数据类型之一：None、int或tuple。

  • TypeError - keepdims 不是bool类型。

  • ValueError - axis 超出范围。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> input = ms.Tensor([[1, 2, 3, 4], [-1, 1, 4, -10]], ms.float32)
>>> output_var, output_mean = ms.ops.var_mean(input, 1, 2, True)
>>> print(output_var)
[[ 2.5]
 [54.5]]
>>> print(output_mean)
[[ 2.5]
 [-1.5]]