MSE均方损失函数应用：
loss(xi,yi)=(xi−yi)2
loss(xi,yi)=(xi−yi)2
这里 loss, x, y 的维度是一样的，可以是向量或者矩阵，i 是下标。
很多的 loss 函数都有 size_average 和 reduce 两个布尔类型的参数。因为一般损失函数都是直接计算 batch 的数据，因此返回的 loss 结果都是维度为 (batch_size, ) 的向量。
(1)如果 reduce = False，那么 size_average 参数失效，直接返回向量形式的 loss
(2)如果 reduce = True，那么 loss 返回的是标量
a)如果 size_average = True，返回 loss.mean();
b)如果 size_average = False，返回 loss.sum();
注意：默认情况下， reduce = True，size_average = True
MSE参数详解：
torch.nn.MSELoss(size_average=None, reduce=None, reduction: str = 'mean')
size_average和reduce在当前版本的pytorch已经不建议使用了，只设置reduction就行了。
reduction的可选参数有：'none' 、'mean' 、'sum'
reduction='none'：求所有对应位置的差的平方，返回的仍然是一个和原来形状一样的矩阵。
reduction='mean'：求所有对应位置差的平方的均值，返回的是一个标量。
reduction='sum'：求所有对应位置差的平方的和，返回的是一个标量。
MSE避坑地方：
在pytorch中，经常使用nn.MSELoss作为损失函数，例如
loss=nn.MSELoss()
input=torch.randn(3,5,requires_grad=True)
target=torch.randn(3,5)
error=loss(input,target)
error.backward()
这个地方有一个巨坑，就是一定要小心input和target的位置，说的更具体一些，target一定需要是一个不能被训练更新的、requires_grad=False的值，否则会报错！！！
MSE与Cross entropy loss区别
————————————————
参考链接：
https://blog.csdn.net/jzwong/article/details/104085769文章来源：https://www.toymoban.com/news/detail-454485.html
https://blog.csdn.net/hao5335156/article/details/81029791文章来源地址https://www.toymoban.com/news/detail-454485.html
到了这里，关于MSELoss详解+避坑指南的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
