From bf5190d12938cc4feb1896e82e7539f7d3246b9a Mon Sep 17 00:00:00 2001
From: Yang Zhang <yangzhang@live.com>
Date: Wed, 13 May 2020 16:21:47 +0800
Subject: [PATCH] Add mse loss doc (#2033)

---
 doc/fluid/api_cn/nn_cn/loss_cn/MSELoss_cn.rst | 67 ++++++++++++++++++-
 1 file changed, 66 insertions(+), 1 deletion(-)

diff --git a/doc/fluid/api_cn/nn_cn/loss_cn/MSELoss_cn.rst b/doc/fluid/api_cn/nn_cn/loss_cn/MSELoss_cn.rst
index 45ed6c7dac3..4dfa7bfba42 100644
--- a/doc/fluid/api_cn/nn_cn/loss_cn/MSELoss_cn.rst
+++ b/doc/fluid/api_cn/nn_cn/loss_cn/MSELoss_cn.rst
@@ -1,3 +1,68 @@
 MSELoss
 -------------------------------
-**版本升级，文档正在开发中**
+
+.. py:function:: paddle.nn.loss.MSELoss(input,label)
+
+该OP用于计算预测值和目标值的均方差误差。
+
+对于预测值input和目标值label：
+
+当reduction为'none'时：
+
+.. math::
+    Out = (input - label)^2
+
+当`reduction`为`'mean'`时：
+
+.. math::
+    Out = \operatorname{mean}((input - label)^2)
+
+当`reduction`为`'sum'`时：
+
+.. math::
+    Out = \operatorname{sum}((input - label)^2)
+
+参数：
+    - **input** (Variable) - 预测值，维度为 :math:`[N_1, N_2, ..., N_k, D]` 的多维Tensor，其中最后一维D是类别数目。数据类型为float32或float64。
+    - **label** (Variable) - 目标值，维度为 :math:`[N_1, N_2, ..., N_k, D]` 的多维Tensor，其中最后一维D是类别数目。数据类型为float32或float64。
+    - **reduction** (str, 可选) - 约简方式，可以是 'none' | 'mean' | 'sum'。设为'none'时不使用约简，设为'mean'时返回loss的均值，设为'sum'时返回loss的和。
+
+返回：预测值和目标值的均方差
+
+返回类型：变量（Variable）
+
+**代码示例**：
+
+.. code-block:: python
+
+    import numpy as np
+    import paddle
+    from paddle import fluid
+    import paddle.fluid.dygraph as dg
+
+    mse_loss = paddle.nn.loss.MSELoss()
+    input = fluid.data(name="input", shape=[1])
+    label = fluid.data(name="label", shape=[1])
+    place = fluid.CPUPlace()
+    input_data = np.array([1.5]).astype("float32")
+    label_data = np.array([1.7]).astype("float32")
+
+    # declarative mode
+    output = mse_loss(input,label)
+    exe = fluid.Executor(place)
+    exe.run(fluid.default_startup_program())
+    output_data = exe.run(
+        fluid.default_main_program(),
+        feed={"input":input_data, "label":label_data},
+        fetch_list=[output],
+        return_numpy=True)
+    print(output_data)
+    # [array([0.04000002], dtype=float32)]
+
+    # imperative mode
+    with dg.guard(place) as g:
+        input = dg.to_variable(input_data)
+        label = dg.to_variable(label_data)
+        output = mse_loss(input, label)
+        print(output.numpy())
+        # [0.04000002]