深度学习均方误差（MSE）损失函数代码实例

深度学习中的均方误差（Mean Squared Error, MSE）是一种常用的回归损失函数，它衡量了预测值与真实值之间差的平方的平均。当模型的目标是尽可能准确地预测连续数值时，MSE是一个常见的选择。以下是使用Python和Keras库实现MSE损失函数的一个简单例子：

import tensorflow as tf
from keras import backend as K

# 定义MSE损失函数
def mean_squared_error(y_true, y_pred):
    return K.mean(K.square(y_true - y_pred))

# 创建一个简单的模型并设置MSE作为优化目标
inputs = tf.keras.Input(shape=(input_shape,))
outputs = tf.keras.layers.Dense(1)(inputs)  # 假设我们有一个单输出层
model = tf.keras.Model(inputs=inputs, outputs=outputs)

# 编译模型，指定MSE作为loss函数
model.compile(optimizer='adam', loss=mean_squared_error)

在这个例子中，`y_true`是真实的标签，`y_pred`是模型的预测输出。`mean_squared_error`函数返回的是每个样本上MSE的值，然后整个数据集的平均值作为损失。