数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学如何在PyTorch中测量平均绝对误差（MAE）？
平均绝对误差计算的是输入值和目标值（预测值和实际值）之间绝对差之和的平均值。为了在PyTorch中计算平均绝对误差，我们使用torch.nn模块提供的L1Loss()函数。它创建一个度量平均绝对误差的标准。
实际值和预测值都是具有相同元素数量的torch张量。这两个张量可以具有任意数量的维度。此函数返回一个标量值的张量。它是torch.nn模块提供的损失函数的一种类型。损失函数用于通过最小化损失来优化深度神经网络。
语法
torch.nn.L1Loss()
步骤
要测量平均绝对误差，可以按照以下步骤操作：
导入所需的库。在以下所有示例中，所需的Python库是torch。确保您已安装它。
import torch
创建输入和目标张量并打印它们。
input = torch.randn(3, 4) target = torch.randn(3, 4)
创建一个标准来测量平均绝对误差。
mae = nn.L1Loss()
计算平均绝对误差（损失）并打印它。
output = mae(input, target)
print("MAE loss:", output)示例1
在此Python代码中，我们计算2维输入和目标张量之间的平均绝对误差损失。
# Import the required libraries
import torch
import torch.nn as nn
# define the input and target tensors
input = torch.randn(3, 4)
target = torch.randn(3, 4)
# print input and target tensors
print("Input Tensor:
", input)
print("Target Tensor:
", target)
# create a criterion to measure the mean absolute error
mae = nn.L1Loss()
# compute the loss (mean absolute error)
output = mae(input, target)
# output.backward()
print("MAE loss:", output)输出
Input Tensor: tensor([[-0.3743, -1.3795, 0.7910, -0.8501], [-0.4872, 0.3542, -1.1613, 0.2766], [-0.0343, 0.6158, 1.5640, -1.5776]]) Target Tensor: tensor([[-0.1976, -0.5571, 0.0576, -0.6701], [ 0.3859, -0.4046, -1.3166, 0.0288], [ 0.7254, 0.5169, 0.2227, 0.9585]]) MAE loss: tensor(0.7236)
请注意，输入和目标张量是二维张量，而平均绝对误差是标量值。
示例2
在此示例中，我们计算2维输入和目标张量之间的平均绝对误差损失。这里，输入是一个需要参数requires_grad = True的张量。我们还计算关于输入值的梯度。
# Import the required libraries
import torch
import torch.nn as nn
# define the input and target tensors
input = torch.randn(4, 5, requires_grad = True)
target = torch.randn(4, 5)
# print input and target tensors
print("Input Tensor:
", input)
print("Target Tensor:
", target)
# create a criterion to measure the mean absolute error
loss = nn.L1Loss()
# compute the loss (mean absolute error)
output = loss(input, target)
output.backward()
print("MAE loss:", output)
print("input.grad:
", input.grad)输出
Input Tensor: tensor([[-1.5325, 0.9718, 0.8848, -2.3685], [ 0.1574, -0.5296, -0.1587, -0.6423], [-1.9586, 0.6249, -1.1507, -1.7188]], requires_grad=True) Target Tensor: tensor([[-0.2213, -1.0928, 0.1864, 0.6496], [ 0.9031, 1.3741, -0.9058, -2.0849], [-0.7316, -0.9297, -1.4479, 0.9797]]) MAE loss: tensor(1.4757, grad_fn=<L1LossBackward>) input.grad: tensor([[-0.0833, 0.0833, 0.0833, -0.0833], [-0.0833, -0.0833, 0.0833, 0.0833], [-0.0833, 0.0833, 0.0833, -0.0833]])
请注意，在上面的输出中，平均绝对误差是一个grad函数（L1LossBackward）。梯度张量的尺寸与输入张量相同。
更新于：2022年1月20日
浏览量：5K+
广告