torcheval.metrics.functional.mean_squared_error¶

torcheval.metrics.functional.mean_squared_error(input: Tensor, target: Tensor, *, sample_weight: Tensor | None = None, multioutput: str = 'uniform_average') → Tensor¶

计算均方误差，即input和target的误差平方的平均值其类版本为torcheval.metrics.MeanSquaredError。

Parameters:

input (Tensor) – 预测值的张量，形状为 (n_sample, n_output)。
target (Tensor) – 形状为 (n_sample, n_output) 的真实值张量。
sample_weight (可选) – 样本权重的张量，形状为 (n_sample, )。默认为 None。
multioutput (可选) –
- 'uniform_average' [默认]:
  返回所有输出的分数，并使用统一权重进行平均。
- 'raw_values':
  返回完整的分数集。

Raises:

ValueError –

如果multioutput的值不存在于(raw_values, uniform_average)中。 - 如果input或target的维度不是1D或2D。 - 如果input和target的大小不相同。 - 如果input、target和sample_weight的第一个维度不相同。

示例：

>>> import torch
>>> from torcheval.metrics.function import mean_squared_error
>>> input = torch.tensor([0.9, 0.5, 0.3, 0.5])
>>> target = torch.tensor([0.5, 0.8, 0.2, 0.8])
>>> mean_squared_error(input, target)
tensor(0.0875)

>>> input = torch.tensor([[0.9, 0.5], [0.3, 0.5]])
>>> target = torch.tensor([[0.5, 0.8], [0.2, 0.8]])
>>> mean_squared_error(input, target)
tensor(0.0875)

>>> input = torch.tensor([[0.9, 0.5], [0.3, 0.5]])
>>> target = torch.tensor([[0.5, 0.8], [0.2, 0.8]])
>>> mean_squared_error(input, target, multioutput="raw_values")
tensor([0.0850, 0.0900])

>>> input = torch.tensor([[0.9, 0.5], [0.3, 0.5]])
>>> target = torch.tensor([[0.5, 0.8], [0.2, 0.8]])
>>> mean_squared_error(input, target, sample_weight=torch.tensor([0.2, 0.8]))
tensor(0.0650)