pytorch多特征数据的MSEloss计算

假设我们的数据集有三个样本，三个特征分别是

[0.3, 0.3, 0.4], [0.3, 0.4, 0.3], [0.1, 0.2, 0.7]

对应的标签是

[0, 0, 1], [0, 1, 0], [1, 0, 0]

在pytorch.nn.MSEloss中，计算的顺序是这样的

1_loss = (0.3-0)^2 + (0.3-0)^2 + (0.4-1)^2 = 0.54

2_loss = (0.3-0)^2 + (0.4-1)^2 + (0.2-0)^2 = 0.54

3_loss = (0.1-1)^2 + (0.2-1)^2 + (0.7-0)^2 = 1.34

sample_loss = （1_loss + 2_loss + 3_loss）/ 3 = 0.18 (这个3，表示每个样本有三个特质，sample_loss表示3个样本加起来之后平均每个特征的误差) 

MSEloss = sample_loss / 3 = 0.2689 (这个3表示三个样本)

import torcha = torch.tensor([[0.3, 0.3, 0.4], [0.3, 0.4, 0.3], [0.1, 0.2, 0.7]])
x = torch.tensor([[0, 0, 1], [0, 1, 0], [1, 0, 0]], dtype=float)criterion1 = torch.nn.MSELoss()
print(criterion1(a, x))# 输出结果是：tensor(0.2689, dtype=torch.float64)