Tensorflow 批量训练自动编码器均方误差的正确计算方法

假设您有一个表示自动编码器（AE）的网络。假设它有90个输入/输出。我想批量训练它，批量大小为100。我将用

x

表示我的输入，用

y

表示我的输出

现在，我想用MSE来评估培训过程的绩效。据我所知，我的网络的输入/输出维度大小为（100,90）

MSE计算的第一部分按元素执行，即

(x - y)²

所以我又得到了一个大小为（100，90）的矩阵。为了更好地理解我的问题，我将任意画出一个矩阵，表示现在的情况：

[[x1 x2 x3 ... x90],    # sample 1 of batch
 [x1 x2 x3 ... x90],    # sample 2 of batch
 .
 .
 [x1 x2 x3 ... x90]]    # sample 100 of batch

从现在起，我偶然发现了计算误差的各种版本。所有版本的目标都是将矩阵简化为标量，然后对其进行优化

第1版：

首先对各样本的二次误差求和，然后计算所有样本的平均值，例如：

v1 = 
[ SUM_of_qerrors_1,        # equals sum(x1 to x90)
  SUM_of_qerrors_2,
  ...
  SUM_of_qerrors_100 ]

result = mean(v1)

v2 = 
[ MEAN_of_qerrors_1,        # equals mean(x1 to x90)
  MEAN_of_qerrors_2,
  ...
  MEAN_of_qerrors_100 ]

result = mean(v2)

第2版：

计算每个样本的二次误差平均值，然后计算所有样本的平均值，例如：

v1 = 
[ SUM_of_qerrors_1,        # equals sum(x1 to x90)
  SUM_of_qerrors_2,
  ...
  SUM_of_qerrors_100 ]

result = mean(v1)

v2 = 
[ MEAN_of_qerrors_1,        # equals mean(x1 to x90)
  MEAN_of_qerrors_2,
  ...
  MEAN_of_qerrors_100 ]

result = mean(v2)

我个人认为版本1是正确的方法，因为常用的交叉熵也是以同样的方式计算的。但是如果我使用版本1，它实际上不是MSE

我在这里找到了一个keras示例（），但不幸的是，我无法理解keras是如何通过批量培训在幕后完成这项工作的

如果能给我一个提示，keras（以及tensorflow）是如何在引擎盖下处理这一问题的，或者正确的版本是什么，我将不胜感激

---

谢谢大家!

第2版，即计算每个样本的二次误差平均值，然后计算结果数字的平均值，是在以下步骤中完成的：

但是，请注意，在代码的另一部分中会对样本进行平均，我已经详细解释了这一部分