Question

我很惊讶地发现torch.mean（data，0）和torch.mean（data）有不同的行为，其中“数据”是一维张量（向量，不是矩阵或其他东西）：

from torchvision import datasets
import torch

path = './MNIST_data'

data = datasets.MNIST(path, train=True, download=True).train_data.view(-1).float()

print(torch.mean(data))
print(torch.mean(data, 0))

执行后的结果：

tensor(33.3184)
tensor(33.4961)

有人可以猜怎么回事吗？我认为结果应该相同。

Answer 1

示例可以帮助您清除疑问。

我们说我们有data = torch.Tensor([[1,2,3,4],[1,2,3,4]])

现在，当您执行torch.mean(data)时，它将对数据张量中的所有元素求和，然后除以该张量中的元素数量，得到2.5

的结果

对于torch.mean(data, 0)的操作，这将沿水平方向执行均值，这意味着它将采用第1行的第一个元素1，并采用第2行的第一个元素2，将它们相加向上并除以2。它有助于以这种方式可视化数据数组

[1, 2, 3, 4]
[1, 2, 3, 4]

如果您知道我们最终如何获得此张量，则最终结果将为[1, 2, 3, 4]的张量，您已经了解了区别。

希望可以清除它，如果您有任何疑问，请告诉我

向量的torch.mean（data，0）和torch.mean（data）的不同行为

1 个答案: