如何通过 mse 评估自动编码器的性能？答案

【问题标题】：How to evaluate autoencoder performance by mse?如何通过 mse 评估自动编码器的性能？
【发布时间】：2022-01-14 05:21:15
【问题描述】：

我想在 mnist 数据集上训练自动编码器以生成与输入相似的图像。这是我找到的代码：

% Load the training data. 
XTrain = digitTrainCellArrayData;


%% 
% Train an autoencoder with a hidden layer containing 50 neurons. 
hiddenSize = 50;
autoenc = trainAutoencoder(XTrain,hiddenSize,...
        'MaxEpochs', 200, ...
        'L2WeightRegularization', 10^(-3),...
        'SparsityRegularization',1,...
        'SparsityProportion',0.45);  

% Load the test data. 
XTest = digitTestCellArrayData; 

% Reconstruct the test image data using the trained autoencoder. 
xReconstructed = predict(autoenc, XTest);

现在我想以某种方式评估我的自动编码器的性能，但我不知道该怎么做。我发现here 可以在真实数据集和重建数据集之间使用 MSE。但是，当我尝试这样做时：

mse(XTest - xReconstructed)

我得到错误

Operator '-' is not supported for operands of type 'cell'.

如何使用 mse 正确执行此自动编码器的评估？

【问题讨论】：

标签： matlab deep-learning neural-network autoencoder

【解决方案1】：

生成模型/图像恢复模型主要有两种metrics/loss function

基于参考
- l2 损失（~rmse 损失）
- l1 损失
- PSNR：峰值信噪比
基于非参考
- SSIM：结构相似性指数，
- MS-SSIM：多尺度 SSIM
  *还有一些指标是两个类的组合（例如混合 SM-SSIM）
  更详细的了解可以阅读this paper。

我认为您遇到的错误可以通过以下方式解决，
mse(vec1, vec2)
*这也可能取决于您使用的库。

【讨论】：