CommencezCommencez gratuitement

Utiliser MSELoss

Pour les problèmes de régression, on utilise souvent la Mean Squared Error (MSE) comme fonction de perte plutôt que l'entropie croisée. La MSE calcule l'écart au carré entre les valeurs prédites (y_pred) et les valeurs réelles (y). Vous allez maintenant calculer la perte MSE en utilisant à la fois NumPy et PyTorch.

Les modules torch, numpy (comme np) et torch.nn (comme nn) sont déjà importés.

Cette activité fait partie du cours

Introduction au Deep Learning avec PyTorch

Voir le cours

Instructions de l’exercice

  • Calculez la perte MSE avec NumPy.
  • Créez une fonction de perte MSE avec PyTorch.
  • Convertissez y_pred et y en tenseurs, puis calculez la perte MSE sous le nom mse_pytorch.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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)
Modifier et exécuter le code