MAE：Mean absolute error是绝对误差的平均值，能更好的反映预测值误差的实际情况

其中，f_i表示预测值，g_i表示真实值

缺点：若本身真实值就比较大，比如真实值1万，预测值9000，但mae=1000就会造成MAE是比较大的，

如真实值10，预测值9，但mae=1，所以不能单独从MAE的值来说明网络预测能力的好坏。

from sklearn.metrics import mean_squared_error,mean_absolute_error
import numpy as np
pred=np.array([10,11,12])
gt=np.array([9,12,14])
error=abs(pred-gt)
print('error1',error)#[1 1 2]
error=np.sum(error)
print('error2',error)#4
error=error/len(pred)
print('error3',error)#1.3333333333333333
mae = mean_absolute_error(pred,gt) #计算预测值与真实值之间的平均绝对误差，28.75667
print(mae)#1.3333333333333333

均方误差mean-square error,MSE

反映预测值与真实值之间差异程度的一种度量，换句话说，预测值与真实值差的平方的期望值。MSE可以评价数据的变化程度，MSE的值越小，说明预测模型的预测能力越好。

from sklearn.metrics import mean_squared_error,mean_absolute_error
import numpy as np
pred=np.array([10,11,12])
gt=np.array([9,12,14])
error1=abs(pred-gt)
error2=error1*error1 #[1 1 4]
error3=np.sum(error2)
print('error3',error3)#6
mse2=error3/len(pred)
print('mse2',mse2)#2.0
mse=mean_squared_error(pred,gt)
print('mse1',mse)#2.0