MSELoss

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

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

未简化的（即 reduction 设置为 'none'）损失可以描述为

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

其中 $N$ 是批次大小。如果 reduction 不是 'none'（默认值为 '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，每个张量都包含 $N$ 个元素。

平均操作仍然作用于所有元素，并除以 $N$ 。

如果将 reduction = 'sum'，则可以避免除以 $N$。

参数

• size_average (bool, optional) – 已弃用（请参见 reduction）。默认情况下，损失在批次中的每个损失元素上取平均值。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，则损失在每个小批次中相加。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, optional) – 已弃用（请参见 reduction）。默认情况下，损失在每个小批次中根据 size_average 在观测值上取平均值或相加。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average。默认值：True

• reduction (str, optional) – 指定要应用于输出的缩减操作：'none' | 'mean' | 'sum'。 'none'：不应用任何缩减操作，'mean'：输出的总和将除以输出中的元素数量，'sum'：输出将被求和。注意：size_average 和 reduce 正在被弃用，在此期间，指定这两个参数中的任何一个将覆盖 reduction。默认值：'mean'

形状

• 输入：$(*)$，其中 $*$ 表示任意数量的维度。

• 目标：$(*)$，与输入形状相同。

示例

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