利用pytorch实现平均绝对值误差（MAE）

LOSS functions

L1Loss

CLASS torch.nn.L1Loss(size_average=None, reduce=None, reduction=‘mean’)

创建一个标准来度量输入x和目标y中的每个元素之间的平均绝对误差(MAE)。
$$l(x,y)=L=\{l_1,...,l_N{\}}^T,l_n=|x_n-y_n|$$
其中N为batch size。如果reduction 不是none(默认为 ‘mean’)，则:
$$l(x,y)=\{\begin{array}{ll}mean(L),& \text{if }reduction=‘mean’\\ sum(L),& \text{if }reduction=‘sum’\end{array}$$
x和y是任意形状的张量，每个张量都有n个元素。
如果设置*reduction = ‘sum’*可以避免n的除法。

Parameters

• size_average (bool, optional) –不推荐使用（请参阅reduction）。默认情况下，损失是批次中每个损失元素的平均数。注意，对于某些损失，每个样本有多个元素。如果该字段size_average 设置为False，则对每个minibatch的损失进行求和。当reduce为False时忽略。默认：True
• reduce (bool, optional) –不推荐使用（请参阅reduction）。默认情况下，根据size_average对每个minibatch的观察值进行平均或求和。如果reduce为False，则返回每个批处理元素的损失，并忽略size_average。默认值:True
• reduction (string, optional) – 指定应用于输出的缩减:‘none’ | ‘mean’ | ‘sum’。“none”:不进行缩减，“mean”:输出的总和除以输出中的元素数，“sum”:输出的总和。注意*:size_average和reduce正在被弃用，同时，指定这两个args中的任何一个都将覆盖reduce*。默认值:“mean”

Shape

• Input: (N, *) 其中 *表示任意数量的附加尺寸
• target：(N, *) ，与输入的形状相同
• output：标量。如果reduction是none， 则（N ，∗ ） ，与输入的形状相同

Examples:

>>> loss = nn.L1Loss()
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randn(3, 5)
>>> output = loss(input, target)
>>> output.backward()