图像超分辨率网络loss

1.MSE:MSE表示当前图像X和参考图像Y的均方误差（MeanSquare Error），H、W分别为图像的高度和宽度；n为每像素的比特数，一般取8，即像素灰阶数为256. 

代码实现：

mse = tf.reduced_mean(tf.squared_difference(target,output))

2.正则；

一般来说，对分类或者回归模型进行评估时，需要使得模型在训练数据上使得损失函数值最小，即使得经验风险函数最小化，但是如果只考虑经验风险(Empirical risk)，容易过拟合，因此还需要考虑模型的泛化能力，一般常用的方法便是在目标函数中加上正则项，由损失项(Loss term)加上正则项(Regularization term)构成结构风险(Structural risk)，那么损失函数变为：

上式中的L一长串表示的是一般原问题的的损失函数，加号后面的表示的是由于想到的某些解的特殊性或者说由于条件限制而加入原