在深度学习任务中，根据loss的设计可以简单的分为线性回归、逻辑回归和softmax回归。

一、线性回归loss

其中线性回归是指拟合一个线性函数，通常用mse、mae来评价模型的拟合效果，此外mse、mae还可以作为loss训练模型。需要格外注意的是loss值的大小毫无意义，只有梯度值才是决定模型学习的方向。只是，一般情况下loss与梯度呈现正相关，loss大，则梯度也大。在线性回归中，y_pred的shape与y_true是一模一样的。需要注意pytorch的系统函数中在线性回归中对label的的数值类型没有限制。

1.1 mse的使用

当用mse为评价指标时，才用考虑异常值取平方的影响。做loss时，其导数是2*w，对于梯度的影响并没有像loss那样离谱。

梯度大的时候对异常值敏感，（1000-100）=900mse loss=（1000-10）^2=8100 
mse loss下梯度值为 2*1000-2*10=1980，可以看出离群点影响大【可以检出异常值，低漏检高误检】，或许会导致梯度爆炸
当离群点是本身就存在异常数据，是可取的（过度关注异常点数据）
梯度值大于x的本身值，容易梯度下降过程中导致震荡（需要吧学习率调小）

import torch
from torch import nn
torch.manual_seed(50) #随机种子确保每次input tensor值是一样的
preds = torch.randn((4,), dtype=torc