Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
均方损失函数：
loss(xi,yi)=(xi−yi)2 loss ( x i , y i ) = ( x i − y i ) 2
这里 loss, x, y 的维度是一样的，可以是向量或者矩阵，i 是下标。
很多的 loss 函数都有 size_average 和 reduce 两个布尔类型的参数。因为一般损失函数都是直接计算 batch 的数据，因此返回的 loss 结果都是维度为 (batch_size, ) 的向量。
(1)如果 reduce = False，那么 size_average 参数失效，直接返回向量形式的 loss
(2)如果 reduce = True，那么 loss 返回的是标量
a)如果 size_average = True，返回 loss.mean();
b)如果 size_average = False，返回 loss.sum();
注意：默认情况下， reduce = True，size_average = True
import torch
import numpy as np1、返回向量
loss_fn = torch.nn.MSELoss(reduce=False, size_average=False)a=np.array([[1,2],[3,4]])
b=np.array([[2,3],[4,5]])input = torch.autograd.Variable(torch.from_numpy(a))
target = torch.autograd.Variable(torch.from_numpy(b))这里将Variable类型统一为float()（tensor类型也是调用xxx.float()）
loss = loss_fn(input.float(), target.float())print(loss)tensor([[ 1., 1.],
[ 1., 1.]])
2、返回平均值
a=np.array([[1,2],[3,4]])
b=np.array([[2,3],[4,4]])loss_fn = torch.nn.MSELoss(reduce=True, size_average=True)input = torch.autograd.Variable(torch.from_numpy(a))
target = torch.autograd.Variable(torch.from_numpy(b))loss = loss_fn(input.float(), target.float()) print(loss)tensor(0.7500)
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/192029.html原文链接：https://javaforall.net
