文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.nn.MSELoss

class mindspore.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unreduced loss（即reduction参数设置为 'none'）的公式如下：

$$\ell (x,y)=L=\{l_1,\dots ,l_N{\}}^{\mathrm{\top }},\text{with}{l}_n=(x_n-y_n{)}^2.$$

其中， $N$ 为batch size。如果 reduction 不是 'none' ，则：

$$\begin{array}{r}\ell (x,y)=\{\begin{array}{ll}\mathrm{mean}(L),& \text{if reduction}=\text{'mean';}\\ \mathrm{sum}(L),& \text{if reduction}=\text{'sum'.}\end{array}\end{array}$$

参数：

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

• labels (Tensor) - 输入标签，任意维度的Tensor。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 - 如果 reduction 不为 'mean'， 'sum' 或 'none' 中的一个。

• ValueError - 如果 logits 和 labels 的shape不同，且不能广播。

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

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> # Case 1: logits.shape = labels.shape = (3,)
>>> loss = 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 = 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.]]