Функция mse_loss

Функция mse_loss вычисляет среднюю квадратичную ошибку (Mean Squared Error) между элементами двух тензоров. Она принимает два тензора: прогнозируемые значения и целевые значения. Ключевым параметром является reduction, который определяет способ агрегации ошибки: вычисление среднего значения ('mean'), суммы ('sum') или возврат поэлементной ошибки ('none').

Синтаксис

torch.nn.functional.mse_loss(input, target, reduction='mean')

Пример

Базовый пример вычисления MSE с параметром reduction='mean':

import torch
import torch.nn.functional as F

input = torch.tensor([1.0, 2.0, 3.0])
target = torch.tensor([1.5, 2.5, 3.5])
res = F.mse_loss(input, target)
print(res.item())

Результат выполнения кода:

0.25

Пример

Использование параметра reduction='sum' для получения суммы квадратов ошибок:

import torch
import torch.nn.functional as F

input = torch.tensor([1.0, 2.0, 3.0])
target = torch.tensor([1.5, 2.5, 3.5])
res = F.mse_loss(input, target, reduction='sum')
print(res.item())

Результат выполнения кода:

0.75

Пример

Использование параметра reduction='none' для получения поэлементной ошибки:

import torch
import torch.nn.functional as F

input = torch.tensor([1.0, 2.0, 3.0])
target = torch.tensor([1.5, 2.5, 3.5])
res = F.mse_loss(input, target, reduction='none')
print(res)

Результат выполнения кода:

tensor([0.2500, 0.2500, 0.2500])

Пример

Вычисление MSE для двумерных тензоров (например, батча предсказаний):

import torch
import torch.nn.functional as F

torch.manual_seed(0)
input = torch.randn(2, 3)
target = torch.randn(2, 3)
res = F.mse_loss(input, target)
print(res.item())

Результат выполнения кода:

0.7417090535163879

Смотрите также

функцию l1_loss,
которая вычисляет среднюю абсолютную ошибку
функцию smooth_l1_loss,
которая является комбинацией L1 и L2 потерь
функцию huber_loss,
которая устойчива к выбросам
функцию cross_entropy,
которая используется для задач классификации