我正在使用PyTorch训练一个CNN架构来解决一个回归问题，我的输出是一个包含20个值的张量。我计划使用RMSE作为模型的损失函数，并尝试使用PyTorch的nn.MSELoss()，然后使用torch.sqrt()来计算其平方根，但得到结果后我感到困惑。我将尽力解释原因。显然，对于批量大小bs，我的输出张量的维度将是[bs, 20]。我尝试实现自己的RMSE函数：

   def loss_function (predicted_x , target ):        loss = torch.sum(torch.square(predicted_x - target) , axis= 1)/(predicted_x.size()[1]) #通过除以输出数量（在我这里是20）来计算所有平方的均值        loss = torch.sqrt(loss)        loss = torch.sum(loss)/predicted_x.size()[0]  #通过批量大小进行平均        return loss

但是，我的loss_function()的输出与PyTorch使用nn.MSELoss()实现的方式不同。我不确定是我的实现有误，还是我错误地使用了nn.MSELoss()。

回答：

MSE损失是错误平方的均值。你在计算MSE后取了平方根，因此无法将你的损失函数的输出与PyTorch的nn.MSELoss()函数的输出进行比较——它们计算的是不同的值。

然而，你可以使用nn.MSELoss()来创建你自己的RMSE损失函数，如下所示：

loss_fn = nn.MSELoss()RMSE_loss = torch.sqrt(loss_fn(prediction, target))RMSE_loss.backward()

希望这对你有帮助。