LoslegenKostenlos loslegen

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

Einführung in Deep Learning mit PyTorch

Kurs anzeigen

Anleitung zur Übung

  • 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 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