使用均方误差（MSE）作为损失函数代码

均方误差（Mean Squared Error, MSE）是一种常用的回归问题中的损失函数，用于衡量模型预测值与实际值之间的平均差异。在编程中，特别是在深度学习框架如TensorFlow、Keras或PyTorch中，MSE通常会在训练神经网络时被用作优化目标。

以下是一个使用Python和Keras库（基于TensorFlow）实现MSE作为损失函数的基本示例：

import tensorflow as tf
from tensorflow.keras import models, layers

# 假设我们有一个简单的线性回归模型
model = models.Sequential()
model.add(layers.Dense(1, input_shape=(input_dim,)))  # input_dim是输入特征的数量

# 编译模型，指定损失函数为MSE
model.compile(optimizer='adam', loss='mse')

# 假设我们有一些输入数据（X）和对应的目标值（y_true）
X = ...
y_true = ...

# 在训练过程中，调用model.fit()方法，传入训练数据和目标值
model.fit(X, y_true, epochs=num_epochs, batch_size=batch_size)

# 如果你想要计算MSE，可以直接这样做
y_pred = model.predict(X)
mse_loss = tf.reduce_mean(tf.square(y_true - y_pred))

在上述代码中，`model.compile(optimizer='adam', loss='mse')`这行就是设置MSE作为损失函数。在`model.fit()`中，模型会根据这个损失函数调整其参数以最小化预测值和真实值之间的差距。