mindspore.mint.var_mean

mindspore.mint.var_mean(input, dim=None, *, correction=1, keepdim=False)

默认情况下，返回Tensor各维度上的方差和均值。如果 dim 是维度列表，则计算对应维度的方差和均值。

方差 (${\sigma }^2$) 计算如下：

$${\sigma }^2=\frac{1}{N-\delta N}\sum _{j=0}^{N-1}{(sel{f}_{ij}-\overline{x_i})}^2$$

其中 $x$ 表示用来计算方差的样本集， $\overline{x}$ 表示样本的均值， $N$ 表示样本的数量， $\delta N$ 为 correction 的值。

警告

这是一个实验性API，后续可能修改或删除。

参数：

• input (Tensor) - 输入Tensor。支持的数据类型：float16、float32。

• dim (Union[int, tuple(int), list(int)], 可选) - 指定计算方差和平均值的维度。默认值： None。

关键字参数：

• correction (int, 可选) - 样本大小和样本自由度之间的差异。默认采用贝塞尔校正。默认值： 1 。

• keepdim (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。

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