MSE是深度学习任务中最常用的一种损失函数，也称为 L2 Loss

MSE是真实值与预测值的差值的平方然后求和平均

范围[0,+∞)，当预测值与真实值完全相同时为0，误差越大，该值越大

MSE 曲线的特点是光滑连续、可导，便于使用梯度下降算法，是比较常用的一种损失函数。而且，MSE 随着误差的减小，梯度也在减小，这有利于函数的收敛，即使固定学习因子，函数也能较快取得最小值。

平方误差有个特性，就是当 yi 与 f(xi) 的差值大于 1 时，会增大其误差；当 yi 与 f(xi) 的差值小于 1 时，会减小其误差。这是由平方的特性决定的。也就是说， MSE 会对误差较大（>1）的情况给予更大的惩罚，对误差较小（1 还是 y-f(x)