tf.keras中metrics与losses模块下MSE均方误差函数的区别是什么

tf.keras.metrics.mean_squared_error与tf.keras.losses.MeanSquaredError的核心计算逻辑完全一致，差异主要体现在定位、使用方式和输出表现上：

• 核心作用与场景不同
  tf.keras.losses.MeanSquaredError属于损失函数类，仅用于模型训练阶段，输出结果会参与梯度计算，是模型参数优化的核心依据；tf.keras.metrics.mean_squared_error属于评估指标函数，用于训练、验证、测试全流程的模型效果量化，不会参与梯度回传，不影响模型参数更新。
• 接口形态与状态管理不同
  tf.keras.losses.MeanSquaredError是类接口，使用前需要先实例化，内部支持自动处理批次维度的平均计算，也支持传入样本权重调整不同样本的损失贡献；tf.keras.metrics.mean_squared_error是无状态的函数式接口，输入真实标签和预测值后直接返回对应结果，如果需要累积整个epoch的全局均方误差，需要额外配合tf.keras.metrics.Mean类使用，或是直接调用其类版本tf.keras.metrics.MeanSquaredError。
• 默认输出维度不同
  默认配置下，tf.keras.losses.MeanSquaredError实例调用后会返回单标量结果（对所有样本、所有输出维度做平均），可直接用于反向传播；tf.keras.metrics.mean_squared_error默认返回与输入样本数维度一致的一维张量，每个值对应单样本的均方误差，方便做样本级的效果统计。

如果你不需要样本级的单独指标结果，只是要全局平均的评估值，二者传入相同的y_true和y_pred时，最终计算出的平均数值完全一致。

内容的提问来源于stack exchange，提问作者Bio