torch损失函数MSELoss()详解

背景

书写LSTM目标函数的时候prediction的tensor和target的tensor 需要计算损失函数，反向传播，为了判断是否可以采用该输入方式的维度利用MSELoss来计算,故验证

MSELoss

计算目标的均方根误差

代码如下

import torch
import torch.nn as nn

>>> prediction=torch.ones(2,1,5) # (seq_len,batch_size,output_size)
>>> b_y=torch.randn(2,1,5)# (seq_len,batch_size,output_size)
>>> b_y
tensor([[[ 1.3559, -0.5194, -0.8714, -0.1699, -1.0660]],
        [[ 0.7905,  1.9387,  0.7158,  0.1730, -0.8898]]])
>>> b_y = b_y.type(torch.FloatTensor).to('cpu')
>>> prediction = pridiction.type(torch.FloatTensor).to('cpu')
>>> loss_func = nn.MSELoss()
>>> loss = loss_func(prediction, b_y)
>>> loss
tensor(1.6836)

然后可以使用loss.item()将得到标量float数据1.6836来进行后续的计算

计算方式如下：

sum_ = 0.0
l=[0.3559, 1.5194, 1.8714, 1.1699, 2.066, 0.2095, 0.9387, 0.2842, 0.8270, 1.8898]
for num in l:
    sum_ = sum_ + num*num
print(sum_/10)  # 输出1.6835491759999996 同上面相一致

关于pytorch实现LSTM的例子

可以参考官方给的：pytorch实现lstm
来自csdn的资料：序列预测