PyTorch 张量就像一个 numpy 数组。唯一的区别是张量利用 GPU 来加速数值计算。使用该方法计算张量的平均值。它返回输入张量中所有元素的平均值。我们还可以按行和列计算平均值，提供合适的轴或暗度。torch.mean()
张量的标准偏差使用 计算。它返回张量中所有元素的标准偏差。像mean一样，我们也可以计算标准偏差，行或列。torch.std()
脚步
导入所需的库。在以下所有 Python 示例中，所需的 Python 库是torch。确保您已经安装了它。
定义一个 PyTorch 张量并打印它。
使用 计算平均值。在这里，输入是应该计算均值的张量，轴（或dim）是维度列表。将计算出的均值分配给一个新变量。torch.mean(input, axis)
使用 计算标准偏差。在这里，输入是张量，轴（或dim）是维度列表。将计算出的标准偏差分配给新变量。torch.std(input, axis)
打印上面计算的平均值和标准偏差。
示例 1
以下 Python 程序展示了如何计算一维张量的均值和标准差。
# Python program to compute mean and standard
# deviation of a 1D tensor
# import the library
import torch
# Create a tensor
T = torch.Tensor([2.453, 4.432, 0.754, -6.554])
print("T:", T)
# Compute the mean and standard deviation
mean = torch.mean(T)
std = torch.std(T)
# Print the computed mean and standard deviation
print("Mean:", mean)
print("标准差：", std)输出结果T: tensor([ 2.4530, 4.4320, 0.7540, -6.5540]) Mean: tensor(0.2713) 标准差： tensor(4.7920)
示例 2
下面的 Python 程序展示了如何计算二维张量的均值和标准差，即行列式和列式
# import necessary library
import torch
# create a 3x4 2D tensor
T = torch.Tensor([[2,4,7,-6],
[7,33,-62,23],
[2,-6,-77,54]])
print("T:\n", T)
# compute the mean and standard deviation
mean = torch.mean(T)
std = torch.std(T)
print("Mean:", mean)
print("标准差：", std)
# Compute column-wise mean and std
mean = torch.mean(T, axis = 0)
std = torch.std(T, axis = 0)
print("Column-wise Mean:\n", mean)
print("Column-wise 标准差：\n", std)
# Compute row-wise mean and std
mean = torch.mean(T, axis = 1)
std = torch.std(T, axis = 1)
print("Row-wise Mean:\n", mean)
print("Row-wise 标准差：\n", std)输出结果T: tensor([[ 2., 4., 7., -6.], [ 7., 33., -62., 23.], [ 2., -6., -77., 54.]]) Mean: tensor(-1.5833) 标准差： tensor(36.2703) Column-wise Mean: tensor([ 3.6667, 10.3333, -44.0000, 23.6667]) Column-wise 标准差： tensor([ 2.8868, 20.2567, 44.7996, 30.0056]) Row-wise Mean: tensor([ 1.7500, 0.2500, -6.7500]) Row-wise 标准差： tensor([ 5.5603, 42.8593, 53.8602])
