代码拉取完成,页面将自动刷新
.. py:class:: mindsponge.metrics.BalancedMSE(first_break, last_break, num_bins, beta=0.99, reducer_flag=False) 计算预测值和真实值之间的均衡平方误差,适用于回归任务中标签不平衡的场景。详细实现过程参考: `Ren, Jiawei, et al. 'Balanced MSE for Imbalanced Visual Regression' <https://arxiv.org/abs/2203.16427>`_ 。 .. math:: L =-\log \mathcal{N}(\boldsymbol{y} ; \boldsymbol{y}_{\text {pred }}, \sigma_{\text {noise }}^{2} \mathrm{I})+\log \sum_{i=1}^{N} p_{\text {train }}(\boldsymbol{y}_{(i)}) \cdot \mathcal{N}(\boldsymbol{y}_{(i)} ; \boldsymbol{y}_{\text {pred }}, \sigma_{\text {noise }}^{2} \mathrm{I}) 参数: - **first_break** (float) - bin划分的起始位置。 - **last_break** (float) - bin划分的结束位置。 - **num_bins** (int) - 划分bin的数目。 - **beta** (float) - 滑动平均的系数。默认值: ``0.99``。 - **reducer_flag** (bool) - 是否对多卡的标签值做聚合。默认值: ``False``。 输入: - **prediction** (Tensor) - 模型预测值,shape为 :math:`(batch\_size, ndim)` 。 - **target** (Tensor) - 标签值,shape为 :math:`(batch\_size, ndim)` 。 输出: Tensor。shape为 :math:`(batch\_size, ndim)` 。
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。