mindspore.mint.nn.functional.mse_loss

mindspore.mint.nn.functional.mse_loss(input, target, reduction='mean')

计算预测值和标签值之间的均方误差。

更多参考详见 mindspore.mint.nn.MSELoss。

参数：

• input (Tensor) - 任意维度的Tensor。数据类型和 target 需要一致。

• target (Tensor) - 输入标签，任意维度的Tensor。数据类型和 input 需要一致。支持在 input 和 target shape不相同的情况下，通过广播保持一致。

• reduction (str，可选) - 指定应用于输出结果的归约计算方式，可选 'none' 、 'mean' 、 'sum' ，默认值： 'mean' 。

  • 'none'：不应用归约方法。

  • 'mean'：计算输出元素的平均值。

  • 'sum'：计算输出元素的总和。

返回：

• Tensor。如果 reduction 为 'mean' 或 'sum' 时，shape为 Tensor Scalar 。

• 如果 reduction 为 'none' ，输出的shape则是 input 和 target 广播之后的shape。

异常：

• ValueError - 如果 reduction 不为 'mean'， 'sum' 或 ''none' 中的一个。

• ValueError - 如果 input 和 target 无法广播。

• TypeError - 如果 input 和 target 数据类型不一致。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
>>> output = mint.nn.functional.mse_loss(logits, labels, reduction='none')
>>> print(output)
[[0. 1. 4.]
 [0. 0. 1.]]