Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
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
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/192133.html原文链接：https://javaforall.net
