评估指标-均方误差（MSE）、平均绝对误差（MAE）3D张量、2D张量、向量之间的计算区别（代码解释）

在建立模型的损失函数时，直接使用的tensorflow keras自带的MSE函数，传入的是3D张量，但是在训练的过程中，报错ValueError: operands could not be broadcast together with shapes。

查了形状方面不匹配，但是我把模型结构图片展示出来，并没有发现形状上有什么不对。考虑到是fit函数训练时出错，新加的代码只有损失那边，由于我的数据是时间序列数据所以输入时3D张量（samples, time_step, features），模型的输出也是3D张量，直接调用loss =  MSE(inputs, outputs), Mode.add_loss(loss)，就直接报错了。

所以直接测试了关于MSE函数，分别使用3D张量、2D张量、向量来进行测试，看MSE输入的结果是什么形状。 首先看一下MSE与MAE的定义。

1. MSE（Mean Squared Error）均方误差

                                                                                                       

2. RMSE(Root Mean Squared Error)

                                                                                                    

3. MAE(Mean Absolute Error)平均绝对误差

                                                                                                    

import numpy as np
import tensorflow as tf
import keras as K
from tensorflow.keras.losses import mse
tf.compat.v1.enable_eager_execution()

#3D张量
a = tf.constant([[[1],[2],[3]]], dtype='float32')
b = tf.constant([[[7],[4],[9]]], dtype='float32')
c = mse(a, b)

print(c)

#向量
d = tf.reshape(a, [-1])
e = tf.reshape(b, [-1])
f = mse(d, e)
print(f)

#2D张量
g = tf.reshape(a, [-1, 1])
h = tf.reshape(b, [-1, 1])
o = mse(g, h)
print(o)

#输出
tf.Tensor([[36.  4. 36.]], shape=(1, 3), dtype=float32)
tf.Tensor(25.333334, shape=(), dtype=float32)
tf.Tensor([36.  4. 36.], shape=(3,), dtype=float32)

#自己的例子
nu_inputs = tf.reshape(inputs, [-1,1])
nu_outputs = tf.reshape(outputs, [-1,1])
print(nu_inputs.shape)
print(nu_outputs.shape)
loss = mse(nu_inputs, nu_outputs)
loss = tf.reshape(loss, [-1])
loss = tf.reduce_sum(loss)
print(loss.shape)
#加入损失函数
lstm_endecoder.add_loss(loss)

根据代码给出的结果，我们可以看到三种输出都是张量形式，其中3D张量输出为2D张量，向量输出为标量，2D张量输出为向量，都向下降了一个维度。

其中输出中3D张量元素和向量元素的和除以元素的个数3，就是标量的结果。（36+4+36）/ 3 = 25.333334，最终我们要得到标量的结果。如果我们使用3D张量和2D张量的形式，最后需要

进行处理，得到一个元素和，使之和标量的结果相同。

最后的代码是自己的一个例子，inputs和outputs是网络的输入和输出，首先我把它们转化为2D张量，计算MSE之后，直接作为loss传入网络，结果还是形状不匹配报错。

所以代码中，我在使用2D张量计算了MSE误差之后，将loss形状改为向量，然后求和，传入网络，结果就没有错误。

这个错误一定要注意，目前我认为是无论传入MSE函数是什么形状，一定要保证计算完MSE之后，将结果变为一个标量。也有可能是其他的问题，有更好的解释，欢迎大家指正，共同学习。

 

参考资料

1. 评估指标——均方误差（MSE）、平均绝对误差（MAE）https://blog.csdn.net/Hachi_Lin/article/details/93884333?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight

2. 均方误差（MSE）根均方误差（RMSE）平均绝对误差（MAE）https://blog.csdn.net/xiongchengluo1129/article/details/79155550

3. 图像质量评估指标 | MAE | MSE | PSNR | SSIM https://blog.csdn.net/stone_fall/article/details/89389269