MSELoss¶
- class torch.nn.MSELoss(size_average=None, reduce=None, reduction='mean')[source]¶
创建一个标准,该标准测量输入 和目标 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,每个张量都包含 个元素。
平均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 。- 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()