机器学习中，针对不同的问题选用不同的损失函数非常重要，而均方误差就是最基本，也是在解决回归问题时最常用的损失函数。本文就keras模块均方误差的计算梳理了一些细节。

首先看一下均方误差的数学定义 :
均方误差是预测向量与真实向量差值的平方然后求平均，其中n为两个向量所包含的元素的个数。
$$MSE=\frac{1}{n}\sum _{i=1}^n(Y_i-{\hat{Y}}_i{)}^2$$

需要注意的是，我们发现在上述定义中，真实值与预测值都是两个向量。下面以一个小例子来说明keras中的均方误差计算。

以keras源代码中的注释为例，在选择默认reduction type 为 auto/sum_over_batch_size时，计算结果为（1+1）/ 4 = 0.5

y_true = [[0., 1.], [0., 0.]]
y_pred = [[1., 1.], [1., 0.]]
# Using 'auto'/'sum_over_batch_size' reduction type. 
mse = tf.keras.losses.MeanSquaredError()
mse(y_true, y_pred).numpy()0.5

例如，在一类线性回归问题中，输出为一个包含a个元素的向量，对于每一个batch，我们计算一次均方误差。此时输入和输出的均为 (batch_size,a)的矩阵，此时的均方误差计算实际上是针对flatten平铺后的两个向量进行运算的，即n = batch_size * a，计算出的均方误差仍然是一个一维的数值，表示了每个元素的平均误差。