LOSS functions

L1Loss

CLASS torch.nn.L1Loss(size_average=None, reduce=None, reduction=‘mean’)

创建一个标准来度量输入x和目标y中的每个元素之间的平均绝对误差(MAE)。
l(x,y)=L={l1,...,lN}T,ln=∣xn−yn∣l(x,y)=L=\{l_1,...,l_N\}^T,l_n=|x_n-y_n|l(x,y)=L={l1,...,lN}T,ln=∣xn−yn∣
其中N为batch size。如果reduction 不是none(默认为 ‘mean’)，则:
l(x,y)={mean(L),if reduction=‘mean’sum(L),if reduction=‘sum’l(x,y)=\begin{cases} mean(L) ,&\text{if } reduction=‘mean’ \\ sum(L),&\text{if } reduction=‘sum’ \end{cases}l(x,y)={mean(L),sum(L),if reduction=‘mean’if reduction=‘sum’
x和y是任意形状的张量，每个张量都有n个元素。
如果设置*reduction = ‘sum’*可以避免n的除法。

Parameters

size_average (bool, optional) –不推荐使用（请参阅reduction）。默认情况下，损失是批次中每个损失元素的平均数。注意，对于某些损失，每个样本有多个元素。如果该字段size_average 设置为False，则对每个minibatch的损失进行求和。当reduce为False时忽略。默认：True
reduce (bool, optional) –不推荐使用（请参阅reduction）。默认情况下，根据size_average对每个minibatch的观察值进行平均或求和。如果reduce为False，则返回每个批处理元素的损失，并忽略size_average。默认值:True
reduction (string, optional) – 指定应用于输出的缩减:‘none’ | ‘mean’ | ‘sum’。“none”:不进行缩减，“mean”:输出的总和除以输出中的元素数，“sum”:输出的总和。注意*:size_average和reduce正在被弃用，同时，指定这两个args中的任何一个都将覆盖reduce*。默认值:“mean”

Shape

Input: (N, *) 其中 *表示任意数量的附加尺寸
target：(N, *) ，与输入的形状相同
output：标量。如果reduction是none，则（N ，∗ ），与输入的形状相同

Examples:

>>> loss = nn.L1Loss()
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randn(3, 5)
>>> output = loss(input, target)
>>> output.backward()

利用pytorch实现平均绝对值误差（MAE）相关推荐

[人工智能-深度学习-9]：神经网络基础 - 常见loss损失函数之均分误差MSE、绝对值误差MAE、平滑平均绝对误差Huber
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 ...
利用pytorch来深入理解CELoss、BCELoss和NLLLoss之间的关系
利用pytorch来深入理解CELoss.BCELoss和NLLLoss之间的关系损失函数为为计算预测值与真实值之间差异的函数,损失函数越小,预测值与真实值间的差异越小,证明网络效果越好.对于神经网 ...
均方根（rms），标准差（std）,平均绝对误差（mae），方差（var/std*std）计算与数学意义
在计算时总是遇到需要计算平均值,但是对于均方根和标准差选择还是不明确. 标题里面的括号为matlab函数可以直接运行. 1.均方根(rms) 均方根误差用于衡量观测值同真值之间的偏差. 2.标准差(s ...
利用Pytorch搭建简单的图像分类模型（之二）---搭建网络
Pytorch搭建网络模型-ResNet 一.ResNet的两个结构首先来看一下ResNet和一般卷积网络结构上的差异: 图中上面一部分就是ResNet34的网络结构图,下面可以理解为一个含有34层 ...
利用Pytorch实现GoogLeNet网络
目录 1 GoogLeNet网络 1.1 网络结构及参数 1.2 Inception结构 1.3 带降维功能的Inception结构 1.4 辅助分类器 2 利用Pytorch实现GoogLeNe ...
利用pytorch搭建LeNet-5网络模型（win11）
目录 1. 前言 2. 程序 2.1 net 2.2 train 2.3 main 3. 总结 1. 前言手写字体识别模型LeNet5诞生于1994年,是最早的卷积神经网络之一.LeNet5通过巧妙 ...
CUDA：利用Pytorch查看自己电脑上CUDA版本及其相关信息
CUDA:利用Pytorch查看自己电脑上CUDA版本及其相关信息目录利用Pytorch查看自己电脑上CUDA的版本信息
PyTorch之LeNet-5：利用PyTorch实现最经典的LeNet-5卷积神经网络对手写数字图片识别CNN
PyTorch之LeNet-5:利用PyTorch实现最经典的LeNet-5卷积神经网络对手写数字图片识别CNN 目录训练过程代码设计训练过程代码设计 #PyTorch:利用PyTorch实现 ...
PyTorch：采用sklearn 工具生成这样的合成数据集+利用PyTorch实现简单合成数据集上的线性回归进行数据分析
PyTorch:采用sklearn 工具生成这样的合成数据集+利用PyTorch实现简单合成数据集上的线性回归进行数据分析目录输出结果核心代码输出结果核心代码 #PyTorch:采用skle ...

利用pytorch实现平均绝对值误差（MAE）

LOSS functions

L1Loss

Parameters

Shape

利用pytorch实现平均绝对值误差（MAE）相关推荐

最新文章

热门文章