資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝學
法學如何在PyTorch中測量平均絕對誤差（MAE）？
平均絕對誤差計算的是輸入值和目標值（預測值和實際值）之間絕對差之和的平均值。為了在PyTorch中計算平均絕對誤差，我們使用torch.nn模組提供的L1Loss()函式。它建立一個度量平均絕對誤差的標準。
實際值和預測值都是具有相同元素數量的torch張量。這兩個張量可以具有任意數量的維度。此函式返回一個標量值的張量。它是torch.nn模組提供的損失函式的一種型別。損失函式用於透過最小化損失來最佳化深度神經網路。
語法
torch.nn.L1Loss()
步驟
要測量平均絕對誤差，可以按照以下步驟操作：
匯入所需的庫。在以下所有示例中，所需的Python庫是torch。確保您已安裝它。
import torch
建立輸入和目標張量並列印它們。
input = torch.randn(3, 4) target = torch.randn(3, 4)
建立一個標準來測量平均絕對誤差。
mae = nn.L1Loss()
計算平均絕對誤差（損失）並列印它。
output = mae(input, target)
print("MAE loss:", output)示例1
在此Python程式碼中，我們計算2維輸入和目標張量之間的平均絕對誤差損失。
# Import the required libraries
import torch
import torch.nn as nn
# define the input and target tensors
input = torch.randn(3, 4)
target = torch.randn(3, 4)
# print input and target tensors
print("Input Tensor:
", input)
print("Target Tensor:
", target)
# create a criterion to measure the mean absolute error
mae = nn.L1Loss()
# compute the loss (mean absolute error)
output = mae(input, target)
# output.backward()
print("MAE loss:", output)輸出
Input Tensor: tensor([[-0.3743, -1.3795, 0.7910, -0.8501], [-0.4872, 0.3542, -1.1613, 0.2766], [-0.0343, 0.6158, 1.5640, -1.5776]]) Target Tensor: tensor([[-0.1976, -0.5571, 0.0576, -0.6701], [ 0.3859, -0.4046, -1.3166, 0.0288], [ 0.7254, 0.5169, 0.2227, 0.9585]]) MAE loss: tensor(0.7236)
請注意，輸入和目標張量是二維張量，而平均絕對誤差是標量值。
示例2
在此示例中，我們計算2維輸入和目標張量之間的平均絕對誤差損失。這裡，輸入是一個需要引數requires_grad = True的張量。我們還計算關於輸入值的梯度。
# Import the required libraries
import torch
import torch.nn as nn
# define the input and target tensors
input = torch.randn(4, 5, requires_grad = True)
target = torch.randn(4, 5)
# print input and target tensors
print("Input Tensor:
", input)
print("Target Tensor:
", target)
# create a criterion to measure the mean absolute error
loss = nn.L1Loss()
# compute the loss (mean absolute error)
output = loss(input, target)
output.backward()
print("MAE loss:", output)
print("input.grad:
", input.grad)輸出
Input Tensor: tensor([[-1.5325, 0.9718, 0.8848, -2.3685], [ 0.1574, -0.5296, -0.1587, -0.6423], [-1.9586, 0.6249, -1.1507, -1.7188]], requires_grad=True) Target Tensor: tensor([[-0.2213, -1.0928, 0.1864, 0.6496], [ 0.9031, 1.3741, -0.9058, -2.0849], [-0.7316, -0.9297, -1.4479, 0.9797]]) MAE loss: tensor(1.4757, grad_fn=<L1LossBackward>) input.grad: tensor([[-0.0833, 0.0833, 0.0833, -0.0833], [-0.0833, -0.0833, 0.0833, 0.0833], [-0.0833, 0.0833, 0.0833, -0.0833]])
請注意，在上面的輸出中，平均絕對誤差是一個grad函式（L1LossBackward）。梯度張量的尺寸與輸入張量相同。
更新於：2022年1月20日
瀏覽量：5K+
廣告