深度学习mae、mse

### 深度学习中的MAE和MSE定义

在深度学习中，均方误差(Mean Squared Error, MSE)通过计算预测值与真实值之间差值的平方来衡量模型的好坏。这种做法放大了较大错误的影响，使得MSE对异常数据点更为敏感[^2]。

另一方面，平均绝对误差(Mean Absolute Error, MAE)，也称为L1损失(L1 Loss)，直接测量预测值与实际观测之间的差异大小而不考虑方向，即只关心差距本身而不论正负。由于采用了绝对值运算而非平方操作，所以相比起MSE来说，MAE对于离群点具有更高的容忍度，并且更能反映总体上的偏差情况[^1]。

### 使用场景分析

当面对的数据集存在较多噪声或是潜在的极端值时，采用MAE可能是一个更好的选择，因为它不会过分惩罚那些较大的预测失误；而在追求精确度以及希望快速降低大范围内的明显误差点的情况下，则可以优先考虑使用MSE作为评价标准[^3]。

此外，在某些特定的应用场合下，比如图像重建任务里，人们往往倾向于选用能够更好地捕捉细节特征的指标——此时MSE通常表现得更好一些；而对于回归类问题而言，如果目标在于获得稳健的结果而不是极致精准的话，那么MAE可能是更加适合的选择。

### 损失函数比较

两者的主要区别体现在对待误差的方式上：MSE会加重处理更大的误差项，这有助于加速梯度下降过程并促使参数更快地调整到最优位置附近；然而这也意味着它更容易受到极个别不寻常样本的影响而导致过拟合现象的发生。相反，尽管MAE提供了较为平滑的目标表面利于全局探索，但由于其导数特性（特别是在零处不可微），可能会导致最优化过程中遇到困难，收敛速度较慢。

import torch.nn as nn

# 定义MSE损失函数
mse_loss = nn.MSELoss()

# 定义MAE损失函数
mae_loss = nn.L1Loss()