MSELoss

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

建立一個準則，用於衡量輸入 $x$ 和目標 $y$ 中每個元素之間的均方誤差（平方 L2 範數）。

未歸約（即 reduction 設定為 'none'）的損失可以描述為

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

其中 $N$ 是批次大小。如果 reduction 不是 'none'（預設為 'mean'），則

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

$x$ 和 $y$ 是任意形狀的張量，每個張量共有 $N$ 個元素。

均值操作仍然作用於所有元素，併除以 $N$。

如果將 reduction = 'sum'，可以避免除以 $N$。

引數

• size_average (bool, 可選) – 已棄用（請參閱 reduction）。預設情況下，損失會在批次中的每個損失元素上取平均。注意，對於某些損失，每個樣本有多個元素。如果 size_average 欄位設定為 False，損失將改為在每個小批次中求和。當 reduce 為 False 時忽略。預設值：True

• reduce (bool, 可選) – 已棄用（請參閱 reduction）。預設情況下，損失會根據 size_average 在每個小批次的觀測值上取平均或求和。當 reduce 為 False 時，改為返回每個批次元素的損失，並忽略 size_average。預設值：True

• reduction (str, 可選) – 指定應用於輸出的歸約方式：'none' | 'mean' | 'sum'。'none'：不應用任何歸約；'mean'：輸出的總和將除以輸出中的元素數量；'sum'：輸出將被求和。注意：size_average 和 reduce 正在棄用過程中，同時指定這兩個引數中的任何一個都將覆蓋 reduction。預設值：'mean'

形狀

• 輸入：$(*)$，其中 $*$ 表示任意維數。

• 目標：$(*)$，與輸入形狀相同。

示例

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