Exponenta Banner
exponenta event banner

mse

Половина средней квадратичной невязки

Свернуть все на странице

Синтаксис

dlY = mse(dlX,targets)
dlY = mse(dlX,targets,'DataFormat',FMT)

Описание

Операция квадратичной невязки половинного среднего вычисляет половину средней потери квадратичной невязки между сетевыми предсказаниями и целевыми значениями для задач регрессии.

Потеря вычисляется по следующей формуле

loss=12N∑i=1M(Xi−Ti)2

где Xi - сетевой ответ, Ti - целевое значение, M - общее количество откликов в X (по всем наблюдениям), и N - общее количество наблюдений в X.

Примечание

Эта функция вычисляет половину средней потери квадратичной невязки между предсказаниями и целями, сохраненными как dlarray данные. Если вы хотите вычислить половину средней потери квадратичной невязки в layerGraph объект или Layer массив для использования с trainNetwork, использовать следующий слой:

пример

dlY = mse(dlX,targets) вычисляет половину средней потери квадратичной невязки между предсказаниями dlX и целевые значения targets для регрессионных задач. Область входа dlX является форматированным dlarray с метками размерностей. Область выхода dlY является неформатированным скалярным dlarray без меток размерностей.

dlY = mse(dlX,targets,'DataFormat',FMT) также задает формат размерности FMT когда dlX не является форматированным dlarray.

Примеры

свернуть все

Половинная квадратичная невязка оценивает, насколько хорошо предсказания сети соответствуют целевым значениям.

Создайте входные предсказания как одно наблюдение случайных значений с высотой и шириной шести и одним каналом. 

height = 6;
width = 6;
channels = 1;
observations = 1;

X = rand(height,width,channels,observations);
dlX = dlarray(X,'SSCB')

Создайте целевые значения как числовой массив с таким же порядком размерности, как и входные данные dlX.

targets = ones(height,width,channels,observations);

Вычислите половину средней квадратичной невязки между предсказаниями и целями.

dlY = mse(dlX,targets)
dlY =

  1x1 dlarray

    5.2061

Входные параметры

свернуть все

Предсказания, заданные как dlarray с метками размерностей или без них или числовым массивом. Когда dlX не является форматированным dlarrayнеобходимо задать формат метки размерности с помощью 'DataFormat',FMT. Если dlX является числовым массивом, targets должен быть dlarray.

Типы данных: single | double

Целевые значения, заданные как форматированный или неформатированный dlarray или числовой массив.

Если targets является форматированным dlarrayформат размерности должен совпадать с форматом Xили то же, что и 'DataFormat' если X не форматирован

Если targets является неформатированным dlarray или числовой массив, размер targets должен точно совпадать с размером X. Формат X или значение 'DataFormat' неявно применяется к targets.

Типы данных: single | double

Размерность неформатированных входных данных, заданный как разделенная разделенными запятой парами, состоящая из 'DataFormat' и символьный массив или строка FMT который обеспечивает метку для каждой размерности данных. Каждый символ в FMT должно быть одно из следующих:

  • 'S' - Пространственный

  • 'C' - Канал

  • 'B' - Партия (например, выборки и наблюдения)

  • 'T' - Время (например, последовательности)

  • 'U' - Не определено

Можно задать несколько размерности, маркированных 'S' или 'U'. Можно использовать метки 'C', 'B', и 'T' самое большее сразу.

Вы должны задать 'DataFormat',FMT когда входные данные dlX не является форматированным dlarray.

Пример: 'DataFormat','SSCB'

Типы данных: char | string

Выходные аргументы

свернуть все

Половина означает квадратичную невязку потерю, возвращается как dlarray скаляр без меток размерностей. Область выхода dlY имеет тот же базовый тип данных, что и входной dlX.

Подробнее о

свернуть все

Половина средней потери Квадратичной невязки

The mse функция вычисляет квадратичную невязку для регрессионных задач. Для получения дополнительной информации смотрите определение слоя Выхода регрессии на RegressionOutputLayer страница с описанием.

Расширенные возможности

См. также

| | | | | |

Темы

Введенный в R2019b

Документация по Deep Learning Toolbox

Поддержка