mindspore.mint.mean

查看源文件
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.]]]