交叉熵损失计算错误。

交叉熵损失函数（Cross-Entropy Loss）通常用于监督学习中的分类任务，特别是当目标变量是离散的概率分布（如softmax输出）。在这个函数中，它衡量了模型预测的概率分布与实际标签（独热编码）之间的差异。

您给出的`cross_entropy_loss`方法中，存在的问题是计算方式有误。正确的交叉熵公式应当是：

loss = -y * np.log(y_hat) - (1 - y) * np.log(1 - y_hat)

这里，`y`是对应于每个样本的实际标签（通常是整数或one-hot向量），`y_hat`是模型对于该样本的预测概率。而您的代码中使用的是`y_hat * np.log2(y) + (1 - y) * np.log2(1 - y)`，这实际上是二进制交叉熵（Binary Cross-Entropy），适用于二分类问题，并不适合多分类或多标签的情况。

如果您需要计算多分类的交叉熵，应该直接使用`-np.log(y_hat[range(n), y])`，其中`n`是样本数，`y`是实际类别对应的索引。

纠正后的代码片段如下：

def cross_entropy_loss(self, y_hat, y, n):
    """
    多分类交叉熵损失
    :param y_hat: 预测概率数组，形状为(n_samples, n_classes)
    :param y: 实际类别标签，形状为(n_samples,)
    :param n: 样本数量
    :return: 损失函数计算结果
    """
    y_hat = np.clip(y_hat, 1e-15, 1 - 1e-15)  # 防止log(0)导致的问题
    loss = -np.sum(np.log(y_hat[range(n), y])) / n
    return loss