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 "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。

• labels (Tensor) - 输入标签，任意维度的Tensor，在通常情况下与 logits 的shape相同。但是如果 logits 和 labels 的shape不同，需要保证他们之间可以互相广播。

输出：

Tensor，为float类型的loss，如果 reduction 为”mean”或”sum”，则shape为0； 如果 reduction 为”none”，则输出的shape为输入Tensor广播后的shape。

异常：

• ValueError - reduction 不为 "mean"， "sum" 或 "none" 。

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

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.]]