PyTorch中的MSE和MAE

在深度学习中，经常需要计算损失函数来训练模型。均方误差（MSE）和平均绝对误差（MAE）是两个常见的损失函数之一。PyTorch提供了计算MSE和MAE的函数，分别为torch.nn.MSELoss()和torch.nn.L1Loss()。

均方误差(MSE)

均方误差（MSE）是预测值与真实值之间差的平方值的平均数。对于回归问题，它是一种常见的损失函数。在PyTorch中，可以使用torch.nn.MSELoss()函数来计算MSE损失。

import torch
import torch.nn as nn

# 创建预测结果和真实结果
y_pred = torch.tensor([1.0, 2.0, 3.0])
y_true = torch.tensor([2.0, 2.0, 2.0])

# 计算MSE损失函数
criterion = nn.MSELoss()
loss = criterion(y_pred, y_true)

print(loss)

输出结果为:

tensor(1.6667)

平均绝对误差(MAE)

平均绝对误差（MAE）是预测值与真实值之间差的绝对值的平均数。它也是一种回归损失函数。在PyTorch中，可以使用torch.nn.L1Loss()函数来计算MAE损失。

import torch
import torch.nn as nn

# 创建预测结果和真实结果
y_pred = torch.tensor([1.0, 2.0, 3.0])
y_true = torch.tensor([2.0, 2.0, 2.0])

# 计算MAE损失函数
criterion = nn.L1Loss()
loss = criterion(y_pred, y_true)

print(loss)

输出结果为:

tensor(1.)

结论

在深度学习中，我们经常需要使用损失函数来计算模型预测结果和真实结果之间的误差。均方误差（MSE）和平均绝对误差（MAE）是两个常见的回归损失函数。在PyTorch中，计算MSE和MAE损失函数非常容易，可以使用torch.nn.MSELoss()和torch.nn.L1Loss()函数来实现。