对损失函数求均值，是指将单个样本的损失值在整個训练批次或数据集上取平均，得到代价函数（Cost Function）。其核心目的是消除样本数量对损失规模的影响，使梯度更新更稳定且与批次大小无关 。
核心含义
从"点"到"面"：损失函数（Loss Function）通常定义在单个样本 上，衡量该样本的预测误差；求均值后得到的是整个批次所有样本误差的平均水平 。
数学表达：若批次有 个样本，第
个样本的损失为
，则均值为
常见别名：在深度学习中，这个"均值的损失"常直接被称为代价函数或简称为Loss（如 PyTorch 中 nn.MSELoss(reduction='mean')） 。
损失函数和代价函数的区别
1.针对的对象不同：损失函数通常盯着单个样本（每一条数据）看，计算这一个数据的预测误差。代价函数则是看整个训练集（所有数据），计算所有样本误差的平均值或总和。
2.计算范围不同：你可以把损失函数理解为"单科成绩"，代价函数理解为"全班平均分"。模型训练的最终目标通常是最小化代价函数，以此来调整参数让整体预测更准。