2026a

# mse

均方误差

函数库: TyDeepLearning

# 语法

loss = mse(Y, targets)

# 说明

loss = mse(Y, targets) 计算预测值和目标值之间的均方差MSE（Mean Squared Error）。示例

计算输入和目标各元素之间的平均平方误差。

其中， n 为 batch size。

# 示例

计算均方误差损失

随机生成预测数据和真实数据。

using TyDeepLearning
using Random
set_backend(:mindspore)
inputsize = [6, 6]
batch = 1
channel = 1
Random.seed!(1234)
Y = rand(Float32, (batch, channel, inputsize[1], inputsize[2]))
target = ones(Float32, (batch, channel, inputsize[1], inputsize[2]))

计算均方误差损失并输出。

output = mse(Y, target)
print(output)

0.28759724

# 输入参数

Y - 预测值

数组

输入的预测值。

数据类型： Float16 | Float32 | Float64 | Int64

targets - 目标值

向量

目标值。目标的每个维度的大小必须与 Y 的相应维度的大小匹配。

数据类型： Float16 | Float32 | Float64 | Int64

# 输出参数

loss - MSE损失

数组

MSE 损失，输出损失是一个数组，其基础数据类型与 shape 输入 Y 相同。

数据类型： Float16 | Float32 | Float64 | Int64

# 另请参阅

crossentropy | huber | Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation (opens new window)