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

mindearth.core.RelativeRMSELoss

class mindearth.core.RelativeRMSELoss(reduction='mean')

相对均方根误差（RRMSE）是由均方根值归一化的均方根误差，其中每个残差都是根据实际值缩放的。 Relative RMSELoss用来测量 $x$ 和 $y$ 之间的相对均方根误差，其中 $x$ 是预测值， $y$ 是目标值。

为简单起见，令 $x$ 和 $y$ 为长度为 $N$ 的一维Tensor， $x$ 和 $y$ 的损失如下：

$$loss=\sqrt{\frac{\frac{1}{N}\sum _{i=1}^N(x_i-y_i{)}^2}{su{m}_{i=1}^N(y_i{)}^2}}$$

参数：

• reduction (str) - reduction 决定了计算模式。有三种模式可选： "mean"、 "sum" 和 "none"。默认值： "mean"。

输入：

• prediction (Tensor) - 预测值，公式中的 $x$ ，shape为 $(N,\ast )$ 的Tensor， $\ast$ 代表任意数量的其他维度。

• labels (Tensor) - 样本的真实值，公式中的 $y$ 。Tensor的shape $(N,\ast )$ 其中 $\ast$ 表示任意维度，通常情况下和 prediction 的shape一致。但是，也支持 labels 的shape和 prediction 的shape不一致，两者需满足可相互广播。

输出：

Tensor，加权损失浮点数。

• output (Tensor) - shape为 $()$ 的Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor
>>> from mindearth.core import RelativeRMSELoss
>>> # Case: prediction.shape = labels.shape = (3, 3)
>>> prediction = Tensor(np.array([[1, 2, 3],[1, 2, 3],[1, 2, 3]]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 2, 2],[1, 2, 3],[1, 2, 3]]), mindspore.float32)
>>> loss_fn = RelativeRMSELoss()
>>> loss = loss_fn(prediction, labels)
>>> print(loss)
0.11111112