mindspore.nn.RMSELoss

class mindspore.nn.RMSELoss

RMSELoss用来测量 \(x\) 和 \(y\) 元素之间的均方根误差，其中 \(x\) 是输入Tensor， \(y\) 是目标值。

假设 \(x\) 和 \(y\) 为一维Tensor，长度为 \(N\) ， \(x\) 和 \(y\) 的loss为：

\[loss = \sqrt{\frac{1}{N}\sum_{i=1}^{N}{(x_i-y_i)^2}}\]

输入：

• logits (Tensor) - 输入的预测值Tensor, shape \((N, *)\) ，其中 \(*\) 代表任意数量的附加维度。

• labels (Tensor) - 输入的目标值Tensor，shape \((N, *)\) 。一般与 logits 的shape相同。如果 logits 和 labels 的shape不同，需支持广播。

输出：

Tensor，输出值为加权损失值，其数据类型为float，其shape为 \(()\)。

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.RMSELoss()
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = loss(logits, labels)
>>> print(output)
0.57735026
>>> # Case 2: logits.shape = (3,), labels.shape = (2, 3)
>>> loss = nn.RMSELoss()
>>> 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)
1.0