$$V(f(x), y) = (1-yf(x))^2$$

在为或的分类上下文中：$y_i$$1$$-1$

$$\begin{align} MSE &= \frac1m \sum_{i=1}^m (y_i-f(x_i))^2 \\ &= \frac1m \sum_{i=1}^m y_i^2 (1-y_if(x_i))^2\\ &= \frac1m \sum_{i=1}^m (1-y_if(x_i))^2\\ &= \frac1m \sum_{i=1}^m V(f(x_i), y_i) \end{align}$$

平方损失是模型中的误差总量。但是，这取决于您拥有的观察次数。如果您有一万亿次观察，十亿的损失可能不会那么糟糕。另一方面，如果您有 25 个观察值，则损失 500 可能会很糟糕。MSE 通过对所有观测值的损失进行平均来计算观测值的数量。前一个示例中的 MSE 为 0.001，而后一个示例中的 MSE 为 20。

如果你考虑一个分类问题，平方损失类似于未命中的数量，而 MSE 类似于准确度。如果您尝试更多分类，您将有更多不正确的分类，但这并不意味着当您尝试多次分类时您的模型性能会更差。

除了计算机上的数值技术性之外，您应该通过最小化平方损失或 MSE 损失函数来找到相同的模型，因此从某种意义上说，您可以说它们“做同样的工作”。

如果我们取整个数据的平方误差，MSE 和 SE 会有区别吗？其次，在神经网络的向量化实现中，我们将划分批量大小以采用 MSE。

考虑小批量梯度下降？ 全局void loss(double* X, double* Y, double *Z, size_t n) {

size_t index = blockIdx.x * blockDim.x + threadIdx.x;

if (index < n) {
    Z[index] = ((X[index] - Y[index]));
}

}