MSELoss#
- class torch.nn.MSELoss(size_average=None, reduce=None, reduction='mean')[source]#
创建一个标准,用于衡量输入 和目标 之间每个元素的均方误差(平方 L2 范数)。
未约简的(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'
(默认为'mean'
),则:and 是具有相同元素总数 的任意形状的张量。
均值操作仍然对所有元素进行操作,并除以 。
如果设置
reduction = 'sum'
,则可以避免除以 。- 参数
size_average (bool, optional) – 已弃用 (请参阅
reduction
)。默认情况下,损失是在批次中的每个损失元素上计算的。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
,则损失将在每个小批次中累加。当reduce
为False
时,此参数将被忽略。默认值:True
reduce (bool, optional) – 已弃用 (请参阅
reduction
)。默认情况下,损失会在每个小批次中根据size_average
进行平均或累加。当reduce
为False
时,将返回每个批次元素的损失,并忽略size_average
。默认值:True
reduction (str, optional) – 指定应用于输出的规约:
'none'
|'mean'
|'sum'
。'none'
:不应用规约,'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,指定其中任何一个参数都将覆盖reduction
。默认值:'mean'
- 形状
输入:,其中 表示任意数量的维度。
目标:,形状与输入相同。
示例
>>> loss = nn.MSELoss() >>> input = torch.randn(3, 5, requires_grad=True) >>> target = torch.randn(3, 5) >>> output = loss(input, target) >>> output.backward()