loss = -(y1logp1 + y2logp2 + y3logp3 + … + ynlogpn)

对于交叉熵损失函数的计算公式：$loss = -(y_1\log(p_1) + y_2\log(p_2) + y_3\log(p_3) + \ldots + y_n\log(p_n))$，其中$y_i$是目标类别的标签，$p_i$是模型对类别$i$的预测概率。

这个公式表示了真实标签和模型预测之间的差异，通过将预测概率与对应的真实标签进行加权求和并取负值。预测概率$p_i$越接近真实标签$y_i$，损失值越低。

在计算过程中，通常会使用softmax函数将模型的输出转化为概率分布。softmax函数将模型输出的原始值映射到[0, 1]的范围内，并且所有类别的概率之和为1。这样，$p_i$表示了模型对类别$i$的预测概率。

然后，将每个类别的真实标签$y_i$和对应的预测概率$p_i$相乘，再将所有乘积求和，并取其负值得到最终的损失值。

请注意，这个公式是针对单个样本的损失计算。在实际应用中，通常会有多个样本，并将它们的损失求平均得到最终的损失值。