mindspore.train.MSE

查看源文件
class mindspore.train.MSE[源代码]

测量均方差MSE(Mean Squared Error)。

计算输入 \(y\_pred\) 和目标 \(y\) 各元素之间的平均平方误差。

\[\text{MSE}(y\_pred,\ y) = \frac{\sum_{i=1}^n({y\_pred}_i - y_i)^2}{n}\]

其中, \(n\) 为batch size。

支持平台:

Ascend GPU CPU

样例:

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor
>>> from mindspore.train import MSE
>>>
>>> x = Tensor(np.array([0.1, 0.2, 0.6, 0.9]), mindspore.float32)
>>> y = Tensor(np.array([0.1, 0.25, 0.5, 0.9]), mindspore.float32)
>>> error = MSE()
>>> error.clear()
>>> error.update(x, y)
>>> result = error.eval()
>>> print(result)
0.0031250009778887033
clear()[源代码]

清除内部评估结果。

eval()[源代码]

计算均方差(MSE)。

返回:

numpy.float64,计算的MSE的结果。

异常:
  • RuntimeError - 样本数为0。

update(*inputs)[源代码]

使用预测值 \(y_{pred}\) 和真实值 \(y\) 更新局部变量。

参数:
  • inputs - 输入 y_predy 用于计算MSE,其中 y_predy shape都为N-D,它们的shape相同。

异常:
  • ValueError - inputs 的数量不等于2。