关于torch.dist(p=2)和nn.MESLoss的区分

  1. nn.MESLoss:
    
    1. 使用np实现mes_loss更加深入理解:这是对于不同设置参数的实现
      def mse_loss(x, y, reduction='mean'):
          dif = np.square(x - y)
          if reduction == 'mean':
              return np.mean(dif)
          elif reduction == 'sum':
              return np.sum(dif)
          return dif
      #--可使用下方代码测试:
      a=np.array([[1, 2], [3, 4]],dtype=np.float32)
      b=np.array([[3, 5], [8, 6]],dtype=np.float32)
      
      result=mse_loss(a,b,reduction='sum')
      print("result",result)
    2. torch.nn.MSELoss(reduction='none')实际返回的只是上方代码中的dif向量,测试代码:

      a_t = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
      b_t = torch.tensor([[3, 5], [8, 6]], dtype=torch.float32)
      loss_fn1 = torch.nn.MSELoss(reduction='none')
      loss1 = loss_fn1(a_t, b_t)
      print("loss1",loss1)
  2. torch.dist
    1. 参考手册:https://pytorch.org/docs/stable/generated/torch.dist.html
    2. 其求的是一个范数,关于L2范数可参考损失函数笔记(1)_Wsyoneself的博客-CSDN博客_l2误差
    3. 细节其实际返回的是上方np实现的mes_loss参数设置为sum得到的结果再开根的tensor,测试代码:
      a_t = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
      b_t = torch.tensor([[3, 5], [8, 6]], dtype=torch.float32)
      result2=torch.dist(a_t,b_t,2)
      print("result2",result2)

你可能感兴趣的:(deeplearning,深度学习,pytorch,机器学习)