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

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

执行后的结果：

tensor(33.3184)
tensor(33.4961)

---

谁能猜出发生了什么事？我假设结果应该是一样的。

一个例子应该可以帮助你澄清你的疑问

假设我们有

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，得到

2.5

对于您的

torch.mean（data，0）

操作，这将沿水平方向执行平均值，这意味着它将取第一行的第一个元素，即1，取第二行的第一个元素，即2，求和并除以2。这样有助于数据数组的可视化

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

最后的结果将是

[1,2,3,4]

的张量，如果您知道我们是如何得到这个张量的，那么您已经理解了其中的区别

---

希望可以澄清，如果您有问题请告诉我

您是否查看了实际数据？你能用其他（简单的合成）数据复制这个吗？@THN在通过

view（-1）

对MNIST进行重塑后，我得到了一个0到255个数字的列表。此外，如果我们尝试通过

numpy.mean（data）

和

numpy.mean（data，axis=0）

（而不是

torch.mean

）计算平均值，我们将得到相同的结果。也许你应该在github上打开一个问题，听起来像是一个bug。可能与低精度浮点计算中的优化有关，但不确定。在我的示例中，数据是一维张量，而不是像您的答案中那样的矩阵，即向量：

data=[1,2,3,4,5]

。它被

视图（-1）

重新塑造。它有一个轴和

火炬。平均值（数据）

必须等于

火炬。平均值（数据，0）

。为什么在我的例子中，

torch.mean（数据）

和

torch.mean（数据，0）

得到了不同的结果？

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