PyTorch中MSELoss的使用

參數

torch.nn.MSELoss(size_average=None, reduce=None, reduction: str = 'mean')

size_average和reduce在當前版本的pytorch已經不建議使用了，只設置reduction就行了。

reduction的可選參數有：'none' 、'mean' 、'sum'

reduction='none'：求所有對應位置的差的平方，返回的仍然是一個和原來形狀一樣的矩陣。

reduction='mean'：求所有對應位置差的平方的均值，返回的是一個標量。

reduction='sum'：求所有對應位置差的平方的和，返回的是一個標量。

更多可查看官方文檔​

舉例

首先假設有三個數據樣本分別經過神經網絡運算，得到三個輸出與其標簽分別是:

y_pre = torch.Tensor([[1, 2, 3],
                      [2, 1, 3],
                      [3, 1, 2]])

y_label = torch.Tensor([[1, 0, 0],
                        [0, 1, 0],
                        [0, 0, 1]])

如果reduction='none'：

criterion1 = nn.MSELoss(reduction='none')
loss1 = criterion1(x, y)
print(loss1)

則輸出：

tensor([[0., 4., 9.],
        [4., 0., 9.],
        [9., 1., 1.]]) 

如果reduction='mean'：

criterion2 = nn.MSELoss(reduction='mean')
loss2 = criterion2(x, y)
print(loss2)

則輸出：

tensor(4.1111)

如果reduction='sum'：

criterion3 = nn.MSELoss(reduction='sum')
loss3 = criterion3(x, y)
print(loss3)

則輸出：

tensor(37.)

在反向傳播時的使用

一般在反向傳播時，都是先求loss，再使用loss.backward()求loss對每個參數 w_ij和b的偏導數(也可以理解為梯度)。

這里要注意的是，只有標量才能執行backward()函數，因此在反向傳播中reduction不能設為'none'。

但具體設置為'sum'還是'mean'都是可以的。

若設置為'sum'，則有Loss=loss_1+loss_2+loss_3，表示總的Loss由每個實例的loss_i構成，在通過Loss求梯度時，將每個loss_i的梯度也都考慮進去了。

若設置為'mean'，則相比'sum'相當於Loss變成了Loss*(1/i)，這在參數更新時影響不大，因為有學習率a的存在。