torch.mean()、tensor.mean() 用法及维度的理解(二维、三维)

 在博客几乎没有torch.mean()三维维度如何计算的介绍，发布这篇文章记录一下。

torch.mean(input,dim=x)
dim 指定为0时，求得是列的平均值;指定为1时，求得是行的平均值.
 

# 二维 
a = torch.arange(6) * 1.
b = a.reshape(2, 3)
print(b.shape)
print(b)
print(b.mean(dim=0).shape)
print(b.mean(dim=0))
print(b.mean(dim=1).shape)
print(b.mean(dim=1))

计算结果如下：
torch.Size([2, 3])
tensor([[0., 1., 2.],
        [3., 4., 5.]])
torch.Size([3])
tensor([1.5000, 2.5000, 3.5000])
torch.Size([2])
tensor([1., 4.])

tip：二维很好理解，dim不同分别是按照行或者列求平均数

为了较好的理解三维的计算，选择（2，3，2）这个维度较小但是能够明显有助于区分理解的三维向量。

# 三维
a = torch.arange(12) * 1.
b = a.reshape(2, 3, 2)
print(type(b))
print(b)
print(b.mean(dim=0).shape)
print(b.mean(dim=0))
print("[[0+6/2,1+7/2],[2+8/2,3+9/2],[4+10/2,5+11/2]]")  # 计算方法
print(b.mean(dim=1).shape)
print(b.mean(dim=1))
print("[[0+2+4/3,1+3+5/3],[6+8+10/3,7+9+11/3]]")  # 计算方法

 计算结果如下：

<class 'torch.Tensor'>
tensor([[[ 0.,  1.],
         [ 2.,  3.],
         [ 4.,  5.]],

        [[ 6.,  7.],
         [ 8.,  9.],
         [10., 11.]]])
torch.Size([3, 2])
tensor([[3., 4.],
        [5., 6.],
        [7., 8.]])
[[0+6/2,1+7/2],[2+8/2,3+9/2],[4+10/2,5+11/2]]
torch.Size([2, 2])
tensor([[2., 3.],
        [8., 9.]])
[[0+2+4/3,1+3+5/3],[6+8+10/3,7+9+11/3]]

tip:下面说一说在实际应用中dim=1这种计算方式的理解。

一个三维向量，[2,3,2] 可以理解为有两行字符串，每行3个文字，每个文字的字向量维度为3的数字表示。

b.mean(dim=1) 的意义是将每行字符串中、每个字的相同维度的字向量求平均。