L1Loss

class torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean') [source]

Создаёт критерий, который измеряет среднюю абсолютную ошибку (MAE) между каждым элементом входного $x$ и целевого $y$.

Несведённая (т.е. с reduction установленным в 'none') потеря может быть описана как:

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

где $N$ — размер пакета. Если reduction не 'none' (по умолчанию 'mean'), то:

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

$x$ и $y$ являются тензорами произвольных форм с общим количеством $n$ элементов каждый.

Операция суммирования всё ещё выполняется над всеми элементами и делится на $n$.

Деление на $n$ можно избежать, если установить reduction = 'sum'.

Поддерживает действительные и комплексные входные данные.

Параметры:

• size_average (bool, необязательно) – Устарело (см. reduction). По умолчанию, потери усредняются по каждому элементу потери в пакете. Обратите внимание, что для некоторых потерь есть несколько элементов на образец. Если поле size_average установлено в False, потери вместо этого суммируются для каждого минипакета. Игнорируется, когда reduce равен False. По умолчанию: True
• reduce (bool, необязательно) – Устарело (см. reduction). По умолчанию, потери усредняются или суммируются по наблюдениям для каждого минипакета в зависимости от size_average. Когда reduce равен False, возвращается потеря на элемент пакета вместо этого и игнорируется size_average. По умолчанию: True
• reduction (str, необязательно) – Указывает уменьшение, применяемое к выходу: 'none' | 'mean' | 'sum'. 'none': не будет применено уменьшение, 'mean': сумма выхода будет разделена на количество элементов в выходе, 'sum': выход будет просуммирован. Примечание: size_average и reduce в процессе устаревания, а пока указание любого из этих двух аргументов переопределит reduction. По умолчанию: 'mean'

Форма:

• Вход: $(*)$, где $*$ означает любое количество измерений.
• Целевая: $(*)$, та же форма, что и вход.
• Выход: скаляр. Если reduction равен 'none', то $(*)$, та же форма, что и вход.

Примеры:

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