mindflow.loss.RelativeRMSELoss
- class mindflow.loss.RelativeRMSELoss(reduction='sum')[源代码]
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。
假设 \(x\) 和 \(y\) 为一维Tensor,长度为 \(N\) ,则 \(x\) 和 \(y\) 的损失为:
\[loss = \sqrt{\frac{\sum_{i=1}^{N}{(x_i-y_i)^2}}{\sum_{i=1}^{N}{(y_i)^2}}}\]- 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:"sum"
。
- 输入:
prediction (Tensor) - 网络模型预测值。Tensor的形状 \((N, *)\) 其中 \(*\) 表示任意维度。
labels (Tensor) - 样本的真实值。Tensor的shape \((N, *)\) 其中 \(*\) 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,两者应该可以相互广播。
- 输出:
Tensor。加权计算出的损失。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import numpy as np >>> import mindspore >>> from mindspore import Tensor >>> from mindflow 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) 0.33333334