Kom igångKom igång gratis

Använda MSELoss

Vid regressionsproblem används ofta Mean Squared Error (MSE) som förlustfunktion i stället för korskorpientrop. MSE beräknar den kvadrerade skillnaden mellan förutsagda värden (y_pred) och faktiska värden (y). Nu ska du beräkna MSE-förlust med både NumPy och PyTorch.

Paketen torch, numpy (som np) och torch.nn (som nn) är redan importerade.

Den här övningen är en del av kursen

Introduktion till djupinlärning med PyTorch

Visa kurs

Övningsinstruktioner

  • Beräkna MSE-förlusten med NumPy.
  • Skapa en MSE-förlustfunktion med PyTorch.
  • Konvertera y_pred och y till tensorer och beräkna sedan MSE-förlusten som mse_pytorch.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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)
Redigera och kör kod