表示一个损失层,计算 "Input" 端口 "Target" 端口之间的均方损失.
MeanSquaredLossLayer
表示一个损失层,计算 "Input" 端口 "Target" 端口之间的均方损失.
更多信息和选项
- MeanSquaredLossLayer 开放下列端口以便用 NetGraph 等中:
-
"Input" 任意阶数的数组 "Target" 阶数与 "Input" 一样的数组 "Loss" 实数 - MeanSquaredLossLayer[…][<|"Input"->in,"Target"target|>] 通过应用该层明确计算输出.
- MeanSquaredLossLayer[…][<|"Input"->{in1,in2,…},"Target"->{target1,target2,…}|>] 明确计算每个 ini 和 targeti 的输出.
- 当 NumericArray 作为输入时,输出将是 NumericArray.
- MeanSquaredLossLayer 通常被用在 NetGraph 中构建一个训练网络.
- 在训练特定网络时,MeanSquaredLossLayer[…] 可被用作 NetTrain 的第三个参数.
- 如果没有明确指定损失,在合适的情况下,NetTrain 自动使用 MeanSquaredLossLayer.
- MeanSquaredLossLayer["port"->shape] 允许指定所给输入 "port" 的 shape. shape 的可能形式包括
-
"Real" 一个实数 n 长度为 n 的向量 {n1,n2,…} 维度为 n1×n2×… 的数组 "Varying" 长度是变量的向量 {"Varying",n2,n3,…} 第一维度是变量,其余维度为 n2×n3×… 的数组 NetEncoder[…] 编码器 NetEncoder[{…,"Dimensions"{n1,…}}] 映射到维度为 n1×… 的数组的编码器 - Options[MeanSquaredLossLayer] 给出构建网络层的默认选项的列表. Options[MeanSquaredLossLayer[…]] 给出在一些数据上运行网络层的默认选项列表.
- Information[MeanSquaredLossLayer[…]] 给出关于该网络层的报告.
- Information[MeanSquaredLossLayer[…],prop] g给出 MeanSquaredLossLayer[…] 的属性 prop 的值. 可能的属性与 NetGraph 相同.
范例
打开所有单元 关闭所有单元基本范例 (3)
创建一个 MeanSquaredLossLayer:
MeanSquaredLossLayer[]创建一个接受长度为 3 的向量的 MeanSquaredLossLayer:
loss = MeanSquaredLossLayer["Input" -> {3}]loss[<|"Input" -> {1, 2, 3}, "Target" -> {3, 2, 1}|>]创建一个含有 MeanSquaredLossLayer 的 NetGraph:
net = NetGraph[{ElementwiseLayer[Tanh], MeanSquaredLossLayer[]}, {1 -> NetPort[2, "Input"]}]net[<|"Input" -> {{1, 2}, {3, 5}, {2, 2}}, "Target" -> {{1, 3}, {5, 6}, {4, 2}}|>]范围 (4)
创建一个 MeanSquaredLossLayer:
loss = MeanSquaredLossLayer[]对一对矩阵应用 MeanSquaredLossLayer:
loss[<|"Input" -> {{1, 2, 3}, {4, 5, 6}}, "Target" -> {{1, 1, 0}, {0, 1, 1}}|>]对一对向量应用 MeanSquaredLossLayer:
loss[<|"Input" -> {1, 2, 3}, "Target" -> {1, 1, 0}|>]对一对数字应用 MeanSquaredLossLayer:
loss[<|"Input" -> 3, "Target" -> 2|>]创建一个 MeanSquaredLossLayer,假定输入数据是长度为 2 的向量:
loss = MeanSquaredLossLayer["Input" -> {2}]loss[<|"Input" -> {{1, 2}, {3, 5}, {2, 2}}, "Target" -> {{1, 3}, {5, 6}, {4, 2}}|>]创建一个 MeanSquaredLossLayer,接受两个长度可变的向量:
loss = MeanSquaredLossLayer["Input" -> "Varying"]loss[<|"Input" -> {1, 3, 5}, "Target" -> {2, 3, 4}|>]loss[<|"Input" -> {{1, 3, 5}, {2, 2}}, "Target" -> {{2, 3, 4}, {2, 4}}|>]创建一个 MeanSquaredLossLayer,接受两幅图像作为输入:
loss = MeanSquaredLossLayer["Input" -> NetEncoder["Image"], "Target" -> NetEncoder["Image"]]loss[<|"Input" -> [image], "Target" -> [image]|>]loss[<|"Input" -> [image], "Target" -> [image]|>]应用 (1)
定义一个单层神经网络,它接受标量数值,产生标量数值,并使用 MeanSquaredLossLayer 对该网络进行训练:
trained = NetTrain[LinearLayer[], {1 -> 1.9, 2 -> 4.1, 3 -> 6.0, 4 -> 8.1}, LossFunction -> MeanSquaredLossLayer[]]trained[2.1]属性和关系 (2)
meanSquaredLoss = N[Mean[Flatten[(#Input - #Target) ^ 2]]]&;data = <|"Input" -> {1, 2, 3}, "Target" -> {3, 2, 1}|>;
MeanSquaredLossLayer[][data]
meanSquaredLoss[data]//NMeanSquaredLossLayer 实际上计算的是归一化版本的 SquaredEuclideanDistance:
SquaredEuclideanDistance[{1, 2, 3}, {3, 2, 5}] / 3.MeanSquaredLossLayer[][<|"Input" -> {1, 2, 3}, "Target" -> {3, 2, 5}|>]技术笔记
相关指南
-
▪
- 神经网络层
文本
Wolfram Research (2016),MeanSquaredLossLayer,Wolfram 语言函数,https://reference.wolfram.com/language/ref/MeanSquaredLossLayer.html (更新于 2019 年).
CMS
Wolfram 语言. 2016. "MeanSquaredLossLayer." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2019. https://reference.wolfram.com/language/ref/MeanSquaredLossLayer.html.
APA
Wolfram 语言. (2016). MeanSquaredLossLayer. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/MeanSquaredLossLayer.html 年
BibTeX
@misc{reference.wolfram_2026_meansquaredlosslayer, author="Wolfram Research", title="{MeanSquaredLossLayer}", year="2019", howpublished="\url{https://reference.wolfram.com/language/ref/MeanSquaredLossLayer.html}", note=[Accessed: 17-November-2026]}
BibLaTeX
@online{reference.wolfram_2026_meansquaredlosslayer, organization={Wolfram Research}, title={MeanSquaredLossLayer}, year={2019}, url={https://reference.wolfram.com/language/ref/MeanSquaredLossLayer.html}, note=[Accessed: 17-November-2026]}