[Python] pytorch损失函数之MSELoss(均方误差损失)介绍和使用场景

什么是MSE（均方误差）?

均方误差(Mean Squared Error，简称MSE)是用于衡量预测值与真实值之间差异的一种指标。它是实际观察值与预测值之差的平方和的平均值。

假设有n个样本，真实值分别为y₁, y₂, ……, yₙ，预测值分别为ŷ₁, ŷ₂, ……, ŷₙ。

首先，我们可以定义误差（error）为预测值与真实值之间的差：

eᵢ = yᵢ - ŷᵢ

则第i个样本的误差平方为：

eᵢ² = (yᵢ - ŷᵢ)²

我们希望得到所有样本误差平方的平均数，即均方误差。因此，我们可以计算所有样本误差平方的和，再除以样本数n：

MSE = (1/n) * Σ(yᵢ - ŷᵢ)² (i=1,2,…,n)
 

均方误差越小，说明预测值与真实值越接近；均方误差越大，说明预测值与真实值之间的差异越大。

什么MSELoss(均方误差损失)？

MSELoss(均方误差损失)是PyTorch中用于计算预测值与真实值之间均方误差的损失函数。它主要用于回归问题，即预测连续值。

MESLoss使用案例

1. # 首先导入所需的库
2. import torch
3. import torch.nn as nn
5. # 创建MSELoss对象
6. mse_loss = nn.MSELoss()
8. # 定义预测值和真实值：
9. predictions = torch.randn(3, 5) # 随机生成一个3x5的张量作为预测值
10. targets = torch.randn(3, 5) # 随机生成一个3x5的张量作为真实值
11. print('predictions:', predictions)
12. print('targets:', targets)
13. # 计算MSELoss
14. loss = mse_loss(predictions, targets)
15. print(loss)

参考资料

通俗易懂讲解均方误差 (MSE)