快捷方式

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 xx 和目标 yy 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

(x,y)=L={l1,,lN},ln=(xnyn)2,\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = \left( x_n - y_n \right)^2,

其中 NN 是批次大小。如果 reduction 不是 'none'(默认值为 'mean'),则

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

xxyy 是任意形状的张量,每个张量都包含 NN 个元素。

平均操作仍然作用于所有元素,并除以 NN

如果将 reduction = 'sum',则可以避免除以 NN

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 reduceFalse 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 reduceFalse 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_averagereduce 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()

文档

访问 PyTorch 的全面的开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源