pytorch的nn.MSELoss损失函数

建议直接点击原文链接：https://blog.csdn.net/hao5335156/article/details/81029791

均方损失函数：

loss(xi,yi)=(xi−yi)2loss(xi,yi)=(xi−yi)2

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。

(1)如果 reduce = False，那么 size_average 参数失效，直接返回向量形式的 loss

(2)如果 reduce = True，那么 loss 返回的是标量

a)如果 size_average = True，返回 loss.mean();
b)如果 size_average = False，返回 loss.sum();

 
 

注意：默认情况下， reduce = True，size_average = True

import torch
import numpy as np
 
 

 
 
1
2

1、返回向量

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

 
 
1

a=np.array([[1,2],[3,4]])
b=np.array([[2,3],[4,5]])
 
 

 
 
1
2

input = torch.autograd.Variable(torch.from_numpy(a))
target = torch.autograd.Variable(torch.from_numpy(b))
 
 

 
 
1
2

这里将Variable类型统一为float()（tensor类型也是调用xxx.float()）

loss = loss_fn(input.float(), target.float())
 
 

 
 
1

print(loss)
 
 

 
 
1

tensor([[ 1.,  1.],
        [ 1.,  1.]])

 
 

 
 
1
2

2、返回平均值

a=np.array([[1,2],[3,4]])
b=np.array([[2,3],[4,4]])
 
 

 
 
1
2

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

 
 
1

input = torch.autograd.Variable(torch.from_numpy(a))
target = torch.autograd.Variable(torch.from_numpy(b))
 
 

 
 
1
2

loss = loss_fn(input.float(), target.float())
 
 

 
 
1

 print(loss)
 
 

 
 
1

tensor(0.7500)

 
 

 
 
1