pytorch多特征数据的MSEloss计算

最新推荐文章于 2025-03-17 14:19:32 发布

有天_

最新推荐文章于 2025-03-17 14:19:32 发布

阅读量3.9k

点赞数 4

分类专栏：深度学习

本文链接：https://blog.csdn.net/si894438380/article/details/107604537

版权

深度学习专栏收录该内容

3 篇文章

订阅专栏

本文详细解析了PyTorch中MSE损失函数的计算过程，通过实例演示了如何使用MSEloss模块来评估预测值与真实标签之间的差异，特别关注了在多标签分类任务中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

假设我们的数据集有三个样本，三个特征分别是

[0.3, 0.3, 0.4], [0.3, 0.4, 0.3], [0.1, 0.2, 0.7]

对应的标签是

[0, 0, 1], [0, 1, 0], [1, 0, 0]

在pytorch.nn.MSEloss中，计算的顺序是这样的

1_loss = (0.3-0)^2 + (0.3-0)^2 + (0.4-1)^2 = 0.54

2_loss = (0.3-0)^2 + (0.4-1)^2 + (0.2-0)^2 = 0.54

3_loss = (0.1-1)^2 + (0.2-1)^2 + (0.7-0)^2 = 1.34

sample_loss = （1_loss + 2_loss + 3_loss）/ 3 = 0.18 (这个3，表示每个样本有三个特质，sample_loss表示3个样本加起来之后平均每个特征的误差)

MSEloss = sample_loss / 3 = 0.2689 (这个3表示三个样本)

import torch


a = torch.tensor([[0.3, 0.3, 0.4], [0.3, 0.4, 0.3], [0.1, 0.2, 0.7]])
x = torch.tensor([[0, 0, 1], [0, 1, 0], [1, 0, 0]], dtype=float)


criterion1 = torch.nn.MSELoss()
print(criterion1(a, x))

# 输出结果是：tensor(0.2689, dtype=torch.float64)