如何理解交叉熵损失函数将经由Softmax函数转化的网络输出的概率分布，与真实标签构成的概率分布进行比较，反映了模型输出的预测值与真实值之间的差异程度，也就是模型的拟合程度。一般来说，损失函数的值越小，说明模型对数据的拟合程度越好。

交叉熵损失函数是用于衡量模型输出概率分布与真实标签概率分布之间的差异程度的一种常用损失函数。在神经网络中，经过Softmax函数转化的输出可以看作是一个概率分布，而真实标签也可以看作是一个概率分布。交叉熵损失函数通过计算这两个概率分布之间的交叉熵来衡量它们的差异程度，即模型预测值与真实值之间的差异程度。

在训练过程中，我们通过不断地调整网络参数来使交叉熵损失函数的值最小化，从而提高模型对数据的拟合程度。当交叉熵损失函数的值越小，说明模型对数据的拟合程度越好。因此，交叉熵损失函数被广泛地应用于各种深度学习任务中，例如图像分类、语音识别、自然语言处理等。