torch.nn.MSELoss的用法

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

torch.nn.functional.mse_loss(input, target, size_average=None, reduce=None, reduction=mean) → Tensor

参数

size_average: 默认为True, 计算一个batch中所有loss的均值；reduce为 False时，忽略这个参数；
reduce：默认为True, 计算一个batch中所有loss的均值或者和；
- reduce = False，size_average 参数失效，返回的 loss是向量，维度为 (batch_size, ) ；
- reduce = True，size_average 参数失效，返回的 loss是标量；
  - size_average = True，返回 loss.mean();
  - size_average = False，返回 loss.sum();
reduction ：‘none’ | ‘mean’ | ‘sum’，默认均值；指定size_average 和reduce参数就不使用reduction ，与之相反。

输入

"mse_cpu" not implemented for 'Int'

Input: (N,∗) where *∗ means, any number of additional dimensions；input.float()
Target: (N,∗) , same shape as the input；Target.float()

loss = nn.MSELoss(reduce=False, size_average=False)
input = torch.randn(3, 5)
target = torch.randn(3, 5)
output = loss(input.float(), target.float())
print(output)#output：
#tensor([[1.2459e+01, 5.8741e-02, 1.8397e-01, 4.9688e-01, 7.3362e-02],
#[8.0921e-01, 1.8580e+00, 4.5180e+00, 7.5342e-01, 4.1929e-01],
#[2.6371e-02, 1.5204e+00, 1.5778e+00, 1.1634e+00, 9.5338e-03]])

loss = nn.MSELoss(reduce = True, size_average=True)
input = torch.randn(3, 5)
target = torch.randn(3, 5)
output = loss(input, target)
print(output)#output：
#tensor(1.2368)

这个地方有一个巨坑，就是一定要小心input和target的位置，说的更具体一些，target一定需要是一个不能被训练更新的、requires_grad=False的值，否则会报错！！！

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

另外，关于MSELoss的设定

若设定loss=torch.nn.MSELoss(reduction=‘mean’),最终输出值是(target-input)每个元素数字平方和除以width x height，也就是在batch和特征维度上都做了平均。如果只想在batch上做平均，则可以写成这个样子：

#需要注意的是，这里的input和target是mini-batch的形式
loss=torch.nn.MSELoss(reduction='sum')
loss=loss(input,target)/target.size(0)

torch.nn.MSELoss的用法相关推荐

pytorch torch.nn.MSELoss(size_average=True)（均方误差【损失函数】）Mean Squared Error（MSE）、SSE（和方差）
class torch.nn.MSELoss(size_average=True)[source] 创建一个衡量输入x(模型预测输出)和目标y之间均方误差标准. x 和 y 可以是任意形状,每个包含n ...
pytorch torch.nn.MSELoss
应用 # 1.计算绝对差总和:|0-1|^2+|1-1|^2+|2-1|^2+|3-1|^2=6 # 2.求平均: 6/4 =1.5 import torch import torch.nn as n ...
torch.nn.RNN基本用法
#torch.nn.RNN CLASS torch.nn.RNN(*args, **kwargs) **实现的功能:**实现一个用tanh或者ReLU作为非线性成分的Elman RNN(两种RNN中的 ...
torch.nn.functional.unfold 用法解读
torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1) 参数 kernel_size,滑动窗口的大小 dilation,和空洞卷积中 ...
nn.Module、nn.Sequential和torch.nn.parameter学习笔记
nn.Module.nn.Sequential和torch.nn.parameter是利用pytorch构建神经网络最重要的三个函数.搞清他们的具体用法是学习pytorch的必经之路. 目录 nn.M ...
pytorch使用torch.nn.Sequential构建网络
以一个线性回归的例子为例: 全部代码 import torch import numpy as npdef get_x_y():x = np.random.randint(0, 50, 300)y_v ...
pytorch nn.MSELoss
1.应用 import torch import torch.nn as nnloss = nn.MSELoss() input = torch.tensor([1.0,1.0], requires_ ...
torch.nn、(二)
参考 torch.nn.(二) - 云+社区 - 腾讯云目录 Recurrent layers RNN LSTM GRU RNNCell LSTMCell GRUCell Transformer l ...
[Pytorch系列-28]：神经网络基础 - torch.nn模块功能列表
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
【pytorch】2.9 均方差损失函数 nn.MSELoss()
均方差损失函数一般作为回归问题的损失函数,公式如下: MSE=∑i=1n(yi−yi′)2nMSE = \frac{\sum^n_{i=1}(y_i-y'_i)^2}{n} MSE=n∑i=1n( ...

torch.nn.MSELoss的用法

torch.nn.MSELoss的用法相关推荐

最新文章

热门文章