代码拉取完成,页面将自动刷新
.. py:class:: mindspore.train.MSE 测量均方差MSE(Mean Squared Error)。 计算输入 :math:`y\_pred` 和目标 :math:`y` 各元素之间的平均平方误差。 .. math:: \text{MSE}(y\_pred,\ y) = \frac{\sum_{i=1}^n({y\_pred}_i - y_i)^2}{n} 其中, :math:`n` 为batch size。 .. py:method:: clear() 清除内部评估结果。 .. py:method:: eval() 计算均方差(MSE)。 返回: numpy.float64,计算的MSE的结果。 异常: - **RuntimeError** - 样本数为0。 .. py:method:: update(*inputs) 使用预测值 :math:`y_{pred}` 和真实值 :math:`y` 更新局部变量。 参数: - **inputs** - 输入 `y_pred` 和 `y` 用于计算MSE,其中 `y_pred` 和 `y` shape都为N-D,它们的shape相同。 异常: - **ValueError** - `inputs` 的数量不等于2。
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。