torch.mean

torch.mean(input, *, dtype=None) → Tensor

注意

如果输入张量是空的，则 torch.mean() 返回 nan 。此行为与 NumPy 一致，遵循空集求平均未定义的定义。

返回 input 张量中所有元素的平均值。输入必须是浮点数或复数。

参数:

输入（Tensor）- 输入张量，可以是浮点数或复数数据类型

关键字参数:

dtype（ torch.dtype ，可选）- 返回张量的期望数据类型。如果指定，则在执行操作之前将输入张量转换为 dtype 。这有助于防止数据类型溢出。默认：None。

示例：

>>> a = torch.randn(1, 3)
>>> a
tensor([[ 0.2294, -0.5481,  1.3288]])
>>> torch.mean(a)
tensor(0.3367)

torch.mean(input, dim, keepdim=False, *, dtype=None, out=None) → Tensor

返回在给定维度 dim 中 input 张量每行的平均值。如果 dim 是维度的列表，则在所有这些维度上降维。

如果 keepdim 是 True ，则输出张量的大小与 input 相同，除了在维度 dim 上它的大小为 1。否则， dim 被挤压（见 torch.squeeze() ），导致输出张量维度减少 1（或 len(dim) ）。

参数:

• input (Tensor) – 输入张量。

• dim (int 或 int 的元组) – 要减少的维度或维度。

• keepdim（布尔值）- 输出张量是否保留 dim 。

关键字参数:

• dtype（ torch.dtype ，可选）- 返回张量的期望数据类型。如果指定，则在执行操作之前将输入张量转换为 dtype 。这有助于防止数据类型溢出。默认：None。

• 输出（张量，可选）- 输出张量。

参见

计算非 NaN 元素的均值。

示例：

>>> a = torch.randn(4, 4)
>>> a
tensor([[-0.3841,  0.6320,  0.4254, -0.7384],
        [-0.9644,  1.0131, -0.6549, -1.4279],
        [-0.2951, -1.3350, -0.7694,  0.5600],
        [ 1.0842, -0.9580,  0.3623,  0.2343]])
>>> torch.mean(a, 1)
tensor([-0.0163, -0.5085, -0.4599,  0.1807])
>>> torch.mean(a, 1, True)
tensor([[-0.0163],
        [-0.5085],
        [-0.4599],
        [ 0.1807]])