torcheval.metrics.WindowedMeanSquaredError

class torcheval.metrics.WindowedMeanSquaredError(*, num_tasks: int = 1, max_num_updates: int = 100, enable_lifetime: bool = True, multioutput: str = 'uniform_average', device: device | None = None)

均方误差的窗口版本，提供窗口值和生命周期值。窗口值根据最近 window_size 次 update() 调用的输入和目标计算。生命周期值根据所有过去的 update() 调用中的输入和目标计算。

\[\text{MSE} = \frac{1}{N}\sum_i^N(y_i - \hat{y_i})^2\]

其中 \(y\) 是目标值张量，\(\hat{y}\) 是输入值张量。

参数：

• num_tasks (int) – 需要计算 WindowedMeanSquaredError 的任务数量。默认值为 1。每个任务的 WindowedMeanSquaredError 将独立计算。

• max_num_updates (int) – 可容纳更新次数的最大窗口大小。

• enable_lifetime (bool) – 一个布尔指标，指示是否计算生命周期值。

• multioutput (str, 可选) –

  • 'uniform_average' [默认]: 返回所有输出的平均分数，权重一致。

  • 'raw_values': 返回完整的分数集。

引发：

ValueError –

• 如果 multioutput 的值不是 (raw_values, uniform_average) 之一。 - 如果 input 或 target 的维度不是 1D 或 2D。 - 如果 input 和 target 的大小不同。 - 如果 input、target 和 sample_weight 的第一个维度不同。

示例：

>>> metric = MeanSquaredError(max_num_updates=1, enable_lifetime=False)
>>> metric.update(torch.tensor([[0.2, 0.3], [0.4, 0.6]]), torch.tensor([[0.1, 0.3], [0.6, 0.7]]))
>>> metric.update(torch.tensor([[0.9, 0.5], [0.3, 0.5]]), torch.tensor([[0.5, 0.8], [0.2, 0.8]]))
>>> metric.compute()
tensor(0.0875)

>>> metric = MeanSquaredError(max_num_updates=1, enable_lifetime=True)
>>> metric.update(torch.tensor([[0.2, 0.3], [0.4, 0.6]]), torch.tensor([[0.1, 0.3], [0.6, 0.7]]))
>>> metric.update(torch.tensor([[0.9, 0.5], [0.3, 0.5]]), torch.tensor([[0.5, 0.8], [0.2, 0.8]]))
>>> metric.compute()
(tensor(0.0512), tensor(0.0875))

>>> metric = MeanSquaredError(max_num_updates=1, enable_lifetime=False, multioutput="raw_values")
>>> metric.update(torch.tensor([[0.2, 0.3], [0.4, 0.6]]), torch.tensor([[0.1, 0.3], [0.6, 0.7]]))
>>> metric.update(torch.tensor([[0.9, 0.5], [0.3, 0.5]]), torch.tensor([[0.5, 0.8], [0.2, 0.8]]))
>>> metric.update(input, target)
>>> metric.compute()
tensor([0.0850, 0.0900])

__init__(*, num_tasks: int = 1, max_num_updates: int = 100, enable_lifetime: bool = True, multioutput: str = 'uniform_average', device: device | None = None) → None

初始化度量对象及其内部状态。

使用 self._add_state() 初始化度量类中的状态变量。状态变量应为 torch.Tensor、torch.Tensor 列表、以 torch.Tensor 作为值的字典或 torch.Tensor 的 deque。

方法

__init__(*[, num_tasks, max_num_updates, ...])	初始化度量对象及其内部状态。
compute()	返回均方误差。
load_state_dict(state_dict[, strict])	从 state_dict 加载度量状态变量。
merge_state(metrics)	实现此方法以更新当前度量的状态变量，使其成为当前度量和输入度量的合并状态。
reset()	将度量状态变量重置为默认值。
state_dict()	在 state_dict 中保存度量状态变量。
to(device, *args, **kwargs)	将度量状态变量中的张量移动到设备上。
update(input, target, *[, sample_weight])	使用真实值和预测值更新状态。

属性

device

Metric.to() 的最后一个输入设备。