keras.metrics.MeanSquaredError与keras.losses.mean_squared_error的区别

总的来说：keras.metrics下面的指标是累积的，在当前batch上的结果会和之前的batch做平均。而keras.losses下面的不会。

具体举例说明：

# metric使用

metric = keras.metrics.MeanSquaredError()
print(metric([5.], [2.]))
print(metric([0.], [1.]))
print(metric.result())

metric.reset_states()
metric([1.], [3.])
print(metric.result())

输出：

tf.Tensor(9.0, shape=(), dtype=float32)
tf.Tensor(5.0, shape=(), dtype=float32)
tf.Tensor(5.0, shape=(), dtype=float32)
tf.Tensor(4.0, shape=(), dtype=float32)

从上面的结果可以看到当运行“print(metric([5.], [2.]))”时，输出结果为“9”，（即：（5-2）**2 / 1 = 9）,而运行第二句时，如果不累加的话，应该为1。(（0-1）**2 / 1 = 1), 但是可以看到，输出并不是1，而是5，原因就是keras.metrics下面的指标是累积的，即（（9+1）/ 2 = 5），想要清除累积，需要执行“metric.reset_states()”即可。而keras.losses.mean_squared_error是不累积的。