LoslegenKostenlos starten

MSE-Verlust verwenden

Bei Regressionsproblemen verwendet man oft die mittlere quadratische Abweichung (MSE) als Verlustfunktion anstelle der Kreuzentropie. Die MSE berechnet die quadratische Differenz zwischen den vorhergesagten (y_pred) und den tatsächlichen Werten (y). Jetzt berechnest du den MSE-Verlust sowohl mit NumPy als auch mit PyTorch.

Die Pakete torch, numpy (als np) und torch.nn (als nn) sind bereits importiert.

Diese Übung ist Teil des Kurses

<Kurs>Einführung in Deep Learning mit PyTorch</Kurs>
Kurs ansehen

Übungsanweisungen

  • Berechne den MSE-Verlust mit NumPy.
  • Erstelle eine MSE-Verlustfunktion mit PyTorch.
  • Wandle y_pred und y in Tensoren um und berechne dann den MSE-Verlust als mse_pytorch.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

y_pred = np.array([3, 5.0, 2.5, 7.0])  
y = np.array([3.0, 4.5, 2.0, 8.0])     

# Calculate MSE using NumPy
mse_numpy = ____

# Create the MSELoss function in PyTorch
criterion = ____

# Calculate MSE using PyTorch
mse_pytorch = ____(torch.tensor(____), ____)

print("MSE (NumPy):", mse_numpy)
print("MSE (PyTorch):", mse_pytorch)
Code bearbeiten und ausführen