MSELoss损失函数中文名字就是:均方损失函数,公式如下所示:

这里 loss, x, y 的维度是一样的,可以是向量或者矩阵,i 是下标。

很多的 loss 函数都有 size_average 和 reduce 两个布尔类型的参数。因为一般损失函数都是直接计算 batch 的数据,因此返回的 loss 结果都是维度为 (batch_size, ) 的向量。

一般的使用格式如下所示:

loss_fn = torch.nn.MSELoss(reduce=True, size_average=True)

这里注意一下两个入参:

A reduce = False,返回向量形式的 loss

B reduce = True, 返回标量形式的loss

C  size_average = True,返回 loss.mean();

D  如果 size_average = False,返回 loss.sum()

默认情况下:两个参数都为True.

下面的是python的例子:

# -*- coding: utf-8 -*-

import torch

import torch.optim as optim

loss_fn = torch.nn.MSELoss(reduce=False, size_average=False)

#loss_fn = torch.nn.MSELoss(reduce=True, size_average=True)

#loss_fn = torch.nn.MSELoss()

input = torch.autograd.Variable(torch.randn(3,4))

target = torch.autograd.Variable(torch.randn(3,4))

loss = loss_fn(input, target)

print(input); print(target); print(loss)

print(input.size(), target.size(), loss.size())

承接Matlab、Python和C++的编程,机器学习、计算机视觉的理论实现及辅导,本科和硕士的均可,咸鱼交易,专业回答请走知乎,详谈请联系QQ号757160542,非诚勿扰。

本文同步分享在 博客“于小勇”(CSDN)。

如有侵权,请联系 support@oschina.cn 删除。

本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

matlab的损失函数mse,MSELoss损失函数相关推荐

  1. 【转载】损失函数 - 交叉熵损失函数

    MSE 转载自:损失函数 - MSE[1] 数理统计中均方误差是指参数估计值与参数值之差平方的期望值,记为MSE.MSE是衡量"平均误差"的一种较方便的方法,MSE可以评价数据的变 ...

  2. 损失函数(损失函数、代价函数、目标函数)、​​​​​​​MSE、0-1损失函数、绝对误差损失函数、分位数损失函数、Huber损失函数、感知损失函数、Hinge损失函数、指数损失函数、对数损失函数

    损失函数(损失函数.代价函数.目标函数).MSE.0-1损失函数.绝对误差损失函数.分位数损失函数.Huber损失函数.感知损失函数.Hinge损失函数.指数损失函数.对数损失函数 目录

  3. 交叉熵和mse_损失函数 - MSE

    本来主要介绍机器学习中常见的损失函数MSE的定义以及它的求导特性. 数理统计中均方误差是指参数估计值与参数值之差平方的期望值,记为MSE.MSE是衡量"平均误差"的一种较方便的方法 ...

  4. 均方误差mse均方根误差rmse_损失函数 - MSE

    本来主要介绍机器学习中常见的损失函数MSE的定义以及它的求导特性. 数理统计中均方误差是指参数估计值与参数值之差平方的期望值,记为MSE.MSE是衡量"平均误差"的一种较方便的方法 ...

  5. 理解Hinge Loss (折页损失函数、铰链损失函数)

    理解Hinge Loss (折页损失函数.铰链损失函数) 原文:https://blog.csdn.net/fendegao/article/details/79968994 Hinge Loss 是 ...

  6. 交叉熵损失函数以及softmax损失函数

    交叉熵损失函数以及softmax损失函数 周六总结 参考资料: https://blog.csdn.net/u014380165/article/details/77284921 https://ww ...

  7. softmax、softmax损失函数、cross-entropy损失函数

    softmax softmax ,顾名思义,就是 soft 版本的 max. 在了解 softmax 之前,先看看什么是 hardmax. hardmax 就是直接选出一个最大值,例如 [1,2,3] ...

  8. 损失函数 -交叉熵损失函数

    参考文献: 1)https://zhuanlan.zhihu.com/p/35709485 2)https://jackon.me/posts/why-use-cross-entropy-error- ...

  9. Matlab 计算均方误差MSE的三种方法

    Matlab 计算均方误差MSE的三种方法 数据说明: ytest 测试集y,真实的y值,是一维数组: ytest_fit 基于测试集 x 预测的y值,是一维数组: test_error 是预测误差. ...

最新文章

  1. android视频录制(调用系统视频录制)
  2. python如何实现多进程_Python实现多进程的四种方式
  3. 由于stdin不是终端,因此不会分配伪终端
  4. queue源码java_看看AbstractQueue源码Java9
  5. HBase Replication源码解析之HLog读取
  6. Django(五)中间件
  7. 关系型数据库和非关系型数据库的区别
  8. Linux 命令速查
  9. 如何在前端删除项目中的文件_如何在macOS上恢复已删除的文件
  10. d3d11 indirect lighting
  11. cgcs2000大地坐标系地图_MapGIS国土空间数据2000大地坐标系转换系统
  12. LR杂记--Loadrunner分析系统资源
  13. vbs脚本和windows定时任务实现qq消息表情包定时发送
  14. 如何批量修改文件夹中的照片名称
  15. Florian%C3%B3polis巴西北岸新业务的最佳场所四方数据分析
  16. 新买的电脑,设置电脑
  17. python基于PHP+MySQL的药店药品进销存管理系统
  18. MySQL——数据库 ——简单程序代码大全
  19. PyQt4的学习历程(3)
  20. 匿名四轴地面站V4.5使用方法研究

热门文章

  1. 知+付费推广:我花3W烧出来的投放经验
  2. VELO3D宣布推出大幅面3D金属打印机Sapphire(R) XC,将生产率提高5倍,同时将成本降低75%
  3. 零基础学会3DsMax超炫酷战斗机飞行动画
  4. shunit2单元测试框架
  5. 三电极体系电化学测量模组
  6. 中国地图china.js
  7. 自贸港有志青年,捂碳星球旧衣回收项目,成功引起团中央的重视
  8. 关于硬件工程师的真相:敢问路在何方?
  9. chacha20加密c语言算法,Java 11的新加密算法ChaCha20-Poly1305
  10. Udacity数据分析(进阶试学)-五王之战分析 - 冰与火之歌