L1Loss¶
- class torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean')[源代码]¶
创建一个准则,用于衡量输入 和目标 中每个元素之间的平均绝对误差 (MAE)。
未简化(即
reduction
设置为'none'
)的损失可以描述为其中 是批次大小。如果
reduction
不是'none'
(默认值为'mean'
),则和 是任意形状的张量,每个张量都有 个元素。
求和操作仍然作用于所有元素,并除以 .
如果将
reduction = 'sum'
,则可以避免除以 .支持实值和复值输入。
- 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进行平均。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
,则损失将改为对每个小批次进行求和。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,损失根据size_average
在每个小批次的观测值上进行平均或求和。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:
'none'
|'mean'
|'sum'
。'none'
:不应用任何缩减,'mean'
:输出的总和将除以输出中的元素数量,'sum'
:将对输出进行求和。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:,与输入相同的形状。
输出:标量。如果
reduction
为'none'
,则 ,与输入相同的形状。
示例
>>> loss = nn.L1Loss() >>> input = torch.randn(3, 5, requires_grad=True) >>> target = torch.randn(3, 5) >>> output = loss(input, target) >>> output.backward()