- 预测连续数字 → MSELoss、L1Loss。
- 多个类别中选一个 → CrossEntropyLoss。
- 判断是或否,或多个独立标签 → BCEWithLogitsLoss。
选好之后,再亲手核对一次
这里回看MSE:两项预测是2、4,两个答案都为3。和前面的图、代码各自操作。
1对照预测与目标
预测 p(2,)只读121一条轴;横排只为阅读,实际形状看shape。
目标 y(2,)只读121一条轴;横排只为阅读,实际形状看shape。
每一项预测,对照同一位置的目标。
2相减,得到误差
2 − 3 = −1
4 − 3 = 1
误差 e(2,)只读121一条轴;横排只为阅读,实际形状看shape。
3平方,避免正负抵消
(−1) × (−1) = 1
1 × 1 = 1
平方误差 s(2,)只读121一条轴;横排只为阅读,实际形状看shape。
4求平均,得到损失
(1 + 1) ÷ 2 = 1
均方误差 MSE()只读11一个数,没有行列轴;shape=()。
预测 2、4,目标 3、3;平方误差 1、1,均方误差为 1。
本章都用默认的平均损失。同一批数据、同一种损失下,数值越小,表示按这个标准衡量的误差越小;训练集损失下降,还要用新数据检查效果。
这次你能检查
网络给出预测,损失衡量差距,训练再想办法缩小差距。 你已能按任务选择损失,再用小数字核对它。
再试一处:把两项预测都调成3,损失应为0;点“重置示例”,回到1。这里是手动改预测,不是网络在训练。
想查更多参数与用法,可看官方文档:MSELoss、L1Loss、CrossEntropyLoss、BCEWithLogitsLoss。