Python PyTorch MSELoss用法及代码示例

本文简要介绍python语言中 torch.nn.MSELoss 的用法。

用法:

class torch.nn.MSELoss(size_average=None, reduce=None, reduction='mean')

参数：

• size_average(bool,可选的) -已弃用(请参阅reduction)。默认情况下，损失是批次中每个损失元素的平均值。请注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False ，则会对每个小批量的损失求和。当 reduce 为 False 时忽略。默认值：True

• reduce(bool,可选的) -已弃用(请参阅reduction)。默认情况下，根据 size_average 对每个小批量的观察结果进行平均或求和。当 reduce 是 False 时，返回每个批次元素的损失并忽略 size_average 。默认值：True

• reduction(string,可选的) -指定要应用于输出的缩减：'none' | 'mean' | 'sum' 。 'none' ：不应用减少，'mean'：输出的总和将除以输出中的元素数，'sum'：输出将被求和。注意：size_average 和 reduce 正在被弃用，同时，指定这两个参数中的任何一个都将覆盖 reduction 。默认值：'mean'

创建一个标准，用于测量输入 x 和目标 y 中每个元素之间的均方误差(平方 L2 范数)。

未减少的(即 reduction 设置为 'none' )损失可以说明为：

\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = \left( x_n - y_n \right)^2,

其中N 是批量大小。如果 reduction 不是 'none' (默认 'mean' )，则：

\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}

x 和 y 是任意形状的张量，每个张量总共有 n 个元素。

平均操作仍然对所有元素进行操作，并除以 n 。

如果设置 reduction = 'sum' ，则可以避免除以 n 。

形状：

• 输入： (*) ，其中 * 表示任意数量的维度。

• 目标：(*)，与输入的形状相同。

例子：

>>> loss = nn.MSELoss()
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randn(3, 5)
>>> output = loss(input, target)
>>> output.backward()