CommencerCommencer gratuitement

Utilisation de MSELoss

Pour les problèmes de régression, on utilise souvent l’erreur quadratique moyenne (EQM) comme fonction de perte au lieu de l’entropie croisée. L’EQM calcule la différence au carré entre les valeurs prédites (y_pred) et les valeurs réelles (y). Vous allez maintenant calculer la perte EQM en utilisant NumPy et PyTorch.

Les paquets torch, numpy (en tant que np) et torch.nn (en tant que nn) sont déjà importés.

Cet exercice fait partie du cours

Introduction au deep learning avec PyTorch

Afficher le cours

Instructions

  • Calculez la perte EQM à l’aide de NumPy.
  • Créez une fonction de perte EQM à l’aide de PyTorch.
  • Convertissez y_pred et y en tenseurs, puis calculez la perte MSE comme mse_pytorch.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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