Pytorch利用MSELoss()函数构造RMSE的代码实现

最新推荐文章于 2025-05-23 21:39:02 发布

赛马丸子

最新推荐文章于 2025-05-23 21:39:02 发布

阅读量6.7k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： python 文章标签： pytorch 深度学习机器学习

本文链接：https://blog.youkuaiyun.com/GENGXINGGUANG/article/details/127007337

python 专栏收录该内容

22 篇文章

订阅专栏

该博客介绍了如何在PyTorch中实现均方根误差（RMSE）损失函数，并展示了在预测数据和标签数据上计算RMSE以及进行反向传播的过程。通过开方操作，RMSE使得误差与原始数据单位一致，便于理解和解释。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch.nn as nn
import torch
...
self.criterion=nn.MSELoss(reduction="mean")
...
prediction_data=...
label_data=...
RMSELoss=torch.sqrt(self.criterion(prediction_data,label_data))
RMsELoss.backward()
...

$MSE=1m∑iN∣fi−yi∣2MSE=\frac{1}{m}\sum_{i}^{N}|f_{i}-y_{i}|^2$
$RMSE=1m∑iN∣fi−yi∣2RMSE=\sqrt{\frac{1}{m}\sum_{i}^{N}|f_{i}-y_{i}|^2}$
PS：RMSE的存在是开完根号之后，误差的结果就和数据是一个单位级别的，可以更好的描述数据！