mse

Половина среднеквадратической ошибки

свернуть все на странице

Синтаксис

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

Описание

Половина операции среднеквадратической ошибки вычисляет половину потери среднеквадратической ошибки между сетевыми предсказаниями и целевыми значениями для задач регрессии.

Потеря вычисляется с помощью следующей формулы

loss=12N∑i=1M(Xi−Ti)2

где Xi является сетевым предсказанием, Ti является целевым значением, M является общим количеством ответов в X (через все наблюдения), и N является общим количеством наблюдений в X.

Примечание

Эта функция вычисляет половину потери среднеквадратической ошибки между предсказаниями и предназначается сохраненный как dlarray данные. Если вы хотите вычислить половину потери среднеквадратической ошибки в layerGraph объект или Layer массив для использования с trainNetwork, используйте следующий слой:

пример

loss = mse(dlY,targets) вычисляет половину потери среднеквадратической ошибки между предсказаниями dlY и целевые значения targets для проблем регрессии. Вход dlY должен быть отформатированный dlarray. Выход loss бесформатный dlarray скаляр.

loss = mse(dlY,targets,'DataFormat',FMT) также задает формат размерности FMT когда dlY не отформатированный dlarray.

Примеры

свернуть все

Половина среднеквадратической ошибки оценивает, как хорошо сетевые предсказания соответствуют целевым значениям.

Создайте входные предсказания как одно наблюдение за случайными значениями с высотой и шириной шесть и один канал. 

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

Y = rand(height,width,channels,observations);
dlY = dlarray(Y,'SSCB')

Создайте целевые значения как числовой массив с тем же порядком размерности как входные данные dlY.

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

Вычислите половину среднеквадратической ошибки между предсказаниями и целями.

loss = mse(dlY,targets)
loss =

  1x1 dlarray

    5.2061

Входные параметры

свернуть все

Предсказания в виде отформатированного dlarray, бесформатный dlarray, или числовой массив. Когда dlY не отформатированный dlarray, необходимо задать формат размерности с помощью DataFormat опция.

Если dlY числовой массив, targets должен быть dlarray.

Целевые ответы в виде отформатированного или бесформатного dlarray или числовой массив.

Размер каждой размерности targets должен совпадать с размером соответствующей размерности dlY.

Если targets отформатированный dlarray, затем его формат должен совпасть с форматом dlY, или то же самое как DataFormat если dlY восстанавливается после форматирования.

Если targets бесформатный dlarray или числовой массив, затем функция применяет формат dlY или значение DataFormat к targets.

Совет

Отформатированный dlarray объекты автоматически переставляют размерности базовых данных, чтобы иметь, заказывают "S" (пространственный), "C" (канал), "B" (пакет), "T" (время), затем "U" (незаданный). Гарантировать что размерности dlY и targets сопоставимы, когда dlY отформатированный dlarray, также задайте targets как отформатированный dlarray.

Порядок размерности бесформатных входных данных в виде разделенной запятой пары, состоящей из 'DataFormat' и символьный массив или строка FMT это обеспечивает метку для каждой размерности данных. Каждый символ в FMT должно быть одно из следующего:

  • 'S' — Пространственный

  • 'C' — Канал

  • 'B' — Пакет (например, выборки и наблюдения)

  • 'T' — Время (например, последовательности)

  • 'U' — Незаданный

Можно указать, что несколько размерностей пометили 'S' или 'U'. Можно использовать, маркирует 'C'B, и 'T' самое большее однажды.

Необходимо задать 'DataFormat',FMT когда входными данными не является отформатированный dlarray.

Пример: 'DataFormat','SSCB'

Типы данных: char | string

Выходные аргументы

свернуть все

Половина потери среднеквадратической ошибки, возвращенной как бесформатный dlarray скаляр. Выход loss имеет тот же базовый тип данных как вход dlY.

Больше о

свернуть все

Половина потери среднеквадратической ошибки

mse функция вычисляет половину потери среднеквадратической ошибки для проблем регрессии. Для получения дополнительной информации см. определение Регрессии Выходной Слой на RegressionOutputLayer страница с описанием.

Расширенные возможности

Смотрите также

| | | | | |

Темы

Введенный в R2019b

Документация Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте