La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

mse

Error cuadrático medio dividido

Sintaxis

loss = mse(Y,targets)

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

Descripción

La operación de error cuadrático medio dividido calcula la pérdida del error cuadrático medio dividido entre las predicciones de la red y los valores objetivo para las tareas de regresión.

La pérdida se calcula mediante la siguiente fórmula

$$\text{loss}=\frac{1}{2N}{\displaystyle \sum _{i=1}^M{(X_i-T_i)}^2}$$

, donde X_i es la predicción de la red, T_i es el valor objetivo, M es el número total de respuestas en X (en todas las observaciones) y N es el número total de observaciones en X.

Nota

Para entrenar una red usando la función trainnet con pérdida del error cuadrático medio, establezca la función de pérdida en "mse".

loss = mse(Y,targets) calcula la pérdida del error cuadrático medio dividido entre las predicciones Y y los valores objetivo targets para problemas de regresión. La entrada Y debe ser un dlarray con formato. La salida loss es un escalar dlarray sin formato.

loss = mse(Y,targets,'DataFormat',FMT) también especifica el formato de dimensión FMT donde Y no es un dlarray con formato.

Ejemplos

Hallar el error cuadrático medio dividido entre los valores previstos y los valores objetivo

El error cuadrático medio dividido evalúa la correspondencia entre las predicciones de la red y los valores objetivo.

Cree las predicciones de entrada como una única observación de valores aleatorios con una altura y anchura de seis y un único canal.

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

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

Cree los valores objetivo como un arreglo numérico con el mismo orden de dimensión que los datos de entrada Y.

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

Calcule el error cuadrático medio dividido entre las predicciones y los objetivos.

loss = mse(Y,targets)

loss =

  1x1 dlarray

    5.2061

Argumentos de entrada

Y — Predictions

dlarray | Arreglo numérico

Predicciones, especificadas como un dlarray con formato, un dlarray sin formato o un arreglo numérico. Cuando Y no es un dlarray con formato, debe especificar el formato de dimensión con la opción DataFormat.

Si Y es un arreglo numérico, targets debe ser un dlarray.

targets — Respuestas objetivo

dlarray | Arreglo numérico

Respuestas objetivo, especificadas como un dlarray con formato o sin formato o como un arreglo numérico.

El tamaño de cada dimensión de targets debe coincidir con el tamaño de la dimensión correspondiente de Y.

Si targets es un dlarray con formato, su formato debe ser el mismo que el de Y o el mismo que el de DataFormat si Y no tiene formato.

Si targets es un dlarray sin formato o un arreglo numérico, la función aplica el formato de Y o el valor de DataFormat a targets.

Sugerencia

Los objetos dlarray con formato permutan automáticamente las dimensiones de los datos subyacentes para que tengan el orden "S" (espacial), "C" (canal), "B" (lote), "T" (tiempo) y, a continuación, "U" (sin especificar). Para garantizar que las dimensiones de Y y targets sean coherentes, cuando Y sea un dlarray con formato, especifique también targets como un dlarray con formato.

FMT — Descripción de dimensiones de datos

vector de caracteres | escalar de cadena

Descripción de las dimensiones de los datos, especificada como vector de caracteres o escalar de cadena.

Un formato de datos es una cadena de caracteres, en la que cada carácter describe el tipo de la dimensión de datos correspondiente.

Los caracteres son los siguientes:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Por ejemplo, considere un arreglo que contiene un lote de secuencias, donde la primera, la segunda y la tercera dimensión corresponden a canales, observaciones y unidades de tiempo, respectivamente. Puede especificar que este arreglo tenga el formato "CBT" (canal, lote, tiempo).

Puede especificar varias dimensiones etiquetadas "S" o "U". Puede utilizar las etiquetas "C", "B" y "T" como mucho una vez. El software ignora las dimensiones únicas "U" restantes tras la segunda dimensión.

Si los datos de entrada no son un objeto dlarray con formato, debe especificar la opción FMT.

Para obtener más información, consulte Deep Learning Data Formats.

Tipos de datos: char | string

Argumentos de salida

loss — Pérdida del error cuadrático medio dividido

escalar dlarray

Pérdida del error cuadrático medio dividido, devuelta como un escalar dlarray sin formato. La salida loss contiene el mismo tipo de datos subyacentes que la entrada Y.

Algoritmos

Pérdida del error cuadrático medio dividido

La función mse calcula la pérdida del error cuadrático medio dividido en los problemas de regresión. Para obtener más información, consulte la definición de Capa de salida de regresión en la página de referencia RegressionOutputLayer.

Formatos de arreglos de deep learning

La mayoría de las redes y funciones de deep learning operan de forma distinta en diferentes dimensiones de los datos de entrada.

Por ejemplo, una operación de LSTM itera sobre la dimensión de tiempo de los datos de entrada, mientras que una operación de normalización de lote normaliza sobre la dimensión de lote de los datos de entrada.

Para proporcionar datos de entrada con dimensiones etiquetadas o con información de formato adicional, puede usar formatos de datos.

Un formato de datos es una cadena de caracteres, en la que cada carácter describe el tipo de la dimensión de datos correspondiente.

Los caracteres son los siguientes:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Por ejemplo, considere un arreglo que contiene un lote de secuencias, donde la primera, la segunda y la tercera dimensión corresponden a canales, observaciones y unidades de tiempo, respectivamente. Puede especificar que este arreglo tenga el formato "CBT" (canal, lote, tiempo).

Para crear datos de entrada con formato, cree un objeto dlarray y especifique el formato mediante el segundo argumento.

Para proporcionar información de formato adicional con datos que no tienen formato, especifique el formato mediante el argumento FMT.

Para obtener más información, consulte Deep Learning Data Formats.

Capacidades ampliadas

Arreglos GPU

Acelere código mediante la ejecución en una unidad de procesamiento gráfico (GPU) mediante Parallel Computing Toolbox™.

Notas y limitaciones de uso:

• Cuando al menos uno de los argumentos de entrada siguientes es un gpuArray o un dlarray con datos subyacentes de tipo gpuArray, esta función se ejecuta en la GPU:

  • Y

  • targets

Para obtener más información, consulte Run MATLAB Functions on a GPU (Parallel Computing Toolbox).

Historial de versiones

Introducido en R2019b

Consulte también

dlarray | dlgradient | dlfeval | softmax | sigmoid | crossentropy | huber

Temas

• Define Custom Training Loops, Loss Functions, and Networks
• Train Network with Multiple Outputs
• List of Functions with dlarray Support