【Pytorch学习笔记】 MSELoss使用案例

---

前言

MSELoss损失函数又称为“均方损失函数”，本文将使用该损失函数完成计算。

---

提示：以下是本篇文章正文内容，下面案例可供参考

案例代码

1.引入库

代码如下（示例）：

import torch
import torch.nn as nn

2.生成网络输出 以及 目标输出

代码如下（示例）：

output = torch.ones(2, 2, requires_grad=True) * 0.5
target = torch.ones(2, 2)

3.设置三种不同参数的MSELoss

reduce_False = nn.MSELoss(size_average=True, reduce=False)
size_average_True = nn.MSELoss(size_average=True, reduce=True)
size_average_False = nn.MSELoss(size_average=False, reduce=True)

4.完整代码

# coding: utf-8

import torch
import torch.nn as nn

# ----------------------------------- MSE loss

# 生成网络输出 以及 目标输出
output = torch.ones(2, 2, requires_grad=True) * 0.5
target = torch.ones(2, 2)

# 设置三种不同参数的L1Loss
reduce_False = nn.MSELoss(size_average=True, reduce=False)
size_average_True = nn.MSELoss(size_average=True, reduce=True)
size_average_False = nn.MSELoss(size_average=False, reduce=True)


o_0 = reduce_False(output, target)
o_1 = size_average_True(output, target)
o_2 = size_average_False(output, target)

print('\nreduce=False, 输出同维度的loss:\n{}\n'.format(o_0))
print('size_average=True，\t求平均:\t{}'.format(o_1))
print('size_average=False，\t求和:\t{}'.format(o_2))

---

总结

以上就是今天要讲的内容，本文仅仅简单介绍了 MSELoss使用案例，可直接使用，仅供学习参考！