mindspore.mint.nn.MSELoss

class mindspore.mint.nn.MSELoss(reduction='mean')

用于计算预测值与标签值之间的均方误差。

假设 \(x\) 和 \(y\) 为一维Tensor，长度 \(N\) ，则计算 \(x\) 和 \(y\) 的loss（即reduction参数设置为 'none'）的公式如下：

\[\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with} \quad l_n = (x_n - y_n)^2.\]

其中， \(N\) 为batch size。如果 reduction 不是'none'，则：

\[\begin{split}\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

参数：

• reduction (str，可选) - 指定应用于输出结果的规约计算方式，可选 'none' 、 'mean' 、 'sum' ，默认值： 'mean' 。

  • 'none'：不应用规约方法。

  • 'mean'：计算输出元素的平均值。

  • 'sum'：计算输出元素的总和。

输入：

• logits (Tensor) - 输入预测值，任意维度的Tensor。数据类型和 labels 需要保持一致。

• labels (Tensor) - 输入标签，任意维度的Tensor。数据类型和 logits 需要保持一致。支持在 logits 和 labels shape不相同的情况下，通过广播保持一致。

输出：

• Tensor。如果 reduction 为 'mean' 或 'sum' 时，输出的shape为 Tensor Scalar 。

• 如果 reduction 为 'none' ，输出的shape则是 logits 和 labels 广播之后的shape。

异常：

• ValueError - reduction 不为 'mean'， 'sum' 或 'none' 中的一个。

• ValueError - logits 和 labels 的shape不能广播。

• TypeError - 如果 logits 和 labels 数据类型不一致。

支持平台：

Ascend

样例：

>>> import mindspore
>>> from mindspore import Tensor, mint
>>> import numpy as np
>>> # Case 1: logits.shape = labels.shape = (3,)
>>> loss = mint.nn.MSELoss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 1, 1]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
1.6666667
>>> # Case 2: logits.shape = (3,), labels.shape = (2, 3)
>>> loss = mint.nn.MSELoss(reduction='none')
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
[[0. 1. 4.]
 [0. 0. 1.]]