博客

nn.MESLoss:

1. 使用
   
   np实现mes_loss
   
   更加深入理解：这是对于不同设置参数的实现

   def mse_loss(x, y, reduction='mean'):
       dif = np.square(x - y)
       if reduction == 'mean':
           return np.mean(dif)
       elif reduction == 'sum':
           return np.sum(dif)
       return dif
   #--可使用下方代码测试：
   a=np.array([[1, 2], [3, 4]],dtype=np.float32)
   b=np.array([[3, 5], [8, 6]],dtype=np.float32)
   
   result=mse_loss(a,b,reduction='sum')
   print("result",result)

2. torch.nn.MSELoss(reduction=’none’)实际返回的只是上方代码中的dif向量，测试代码：

   a_t = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
   b_t = torch.tensor([[3, 5], [8, 6]], dtype=torch.float32)
   loss_fn1 = torch.nn.MSELoss(reduction='none')
   loss1 = loss_fn1(a_t, b_t)
   print("loss1",loss1)

1. 参考手册：
   
   https://pytorch.org/docs/stable/generated/torch.dist.html
   
2. 其求的是一个范数，关于L2范数可参考
   
   损失函数笔记（1）_Wsyoneself的博客-CSDN博客_l2误差
   
3. 细节其实际返回的是上方np实现的mes_loss参数设置为sum得到的结果再开根的tensor，测试代码：

   a_t = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
   b_t = torch.tensor([[3, 5], [8, 6]], dtype=torch.float32)
   result2=torch.dist(a_t,b_t,2)
   print("result2",result2)