【Pytorch基础】torch.nn.MSELoss损失函数 |
您所在的位置：网站首页 › squared error怎么计算 › 【Pytorch基础】torch.nn.MSELoss损失函数 |
|
MSE: Mean Squared Error（均方误差） 含义：均方误差，是预测值与真实值之差的平方和的平均值，即： M S E = 1 N ∑ i = 1 n ( x i − y i ) 2 \begin{aligned} MSE =\cfrac {1}{N}\sum_{i=1}^n(x_i-y_i)^2 \end{aligned} MSE=N1i=1∑n(xi−yi)2 但是，在具体的应用中跟定义稍有不同。主要差别是参数的设置，在torch.nn.MSELoss中有一个reduction参数。reduction是维度要不要缩减以及如何缩减主要有三个选项： ‘none’:no reduction will be applied.‘mean’: the sum of the output will be divided by the number of elements in the output.‘sum’: the output will be summed.如果不设置reduction参数，默认是’mean’。 下面看个例子： import torch import torch.nn as nn a = torch.tensor([[1, 2], [3, 4]], dtype=torch.float) b = torch.tensor([[3, 5], [8, 6]], dtype=torch.float) loss_fn1 = torch.nn.MSELoss(reduction='none') loss1 = loss_fn1(a.float(), b.float()) print(loss1) # 输出结果：tensor([[ 4., 9.], # [25., 4.]]) loss_fn2 = torch.nn.MSELoss(reduction='sum') loss2 = loss_fn2(a.float(), b.float()) print(loss2) # 输出结果：tensor(42.) loss_fn3 = torch.nn.MSELoss(reduction='mean') loss3 = loss_fn3(a.float(), b.float()) print(loss3) # 输出结果：tensor(10.5000)在loss1中是按照原始维度输出，即对应位置的元素相减然后求平方；loss2中是对应位置求和；loss3中是对应位置求和后取平均。 除此之外，torch.nn.MSELoss还有一个妙用，求矩阵的F范数（F范数详解）当然对于所求出来的结果还需要开方。 参考文献[1]pytorch的nn.MSELoss损失函数 [2]状态估计的基本概念（3）最小均方估计和最小均方误差估计 |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |