MSELoss

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

Создаёт критерий, который измеряет среднеквадратичную ошибку (квадратную L2-норму) между каждым элементом входного значения $x$ и целевого значения $y$.

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

$$\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = \left( x_n - y_n \right)^2,$$

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 $y$ — тензоры произвольных форм с общим числом $n$ элементов каждый.

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

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

Параметры:

• size_average (bool, необязательно) – Устаревшее (см. reduction). По умолчанию потери усредняются по каждому элементу потерь в пакете. Обратите внимание, что для некоторых потерь существует несколько элементов на образец. Если поле size_average установлено в False, потери вместо этого суммируются для каждого мини-пакета. Игнорируется, когда reduce равно False. По умолчанию: True
• reduce (bool, необязательно) – Устаревшее (см. reduction). По умолчанию потери усредняются или суммируются по наблюдениям для каждого мини-пакета в зависимости от size_average. Когда reduce равно False, возвращает потерю на элемент пакета вместо этого и игнорирует size_average. По умолчанию: True
• reduction (str, необязательно) – Указывает на применение снижения к выводу: 'none' | 'mean' | 'sum'. 'none': не будет применено снижение, 'mean': сумма вывода будет разделена на количество элементов в выводе, 'sum': вывод будет суммирован. Примечание: size_average и reduce находятся в процессе устаревания, и в то же время указание любого из этих двух аргументов переопределит reduction. По умолчанию: 'mean'

Форма:

• Вход: $(*)$, где $*$ означает любое количество измерений.
• Целевой: $(*)$, форма такая же, как у входных данных.

Примеры:

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