定义交叉熵误差统一形式：给出One-hot编码形式或者标签形式都能计算的统一定义函数（使用argmax进行转换）

交叉熵误差是一种在机器学习中广泛使用的度量方法，它通常被用于评估分类模型的性能。交叉熵误差统一形式可以使用如下函数来定义：

$H(y, \hat{y}) = -\sum_{i}{y_i \log{\hat{y_i}}}$

其中，$y$是目标标签，$\hat{y}$是模型输出的预测值。在这个函数中，$y$通常是一个one-hot编码的向量，其中只有一个元素值为1，其他元素都为0。因此可以使用$argmax$函数将预测值转换为one-hot编码形式，然后计算交叉熵误差。如果$y$本身就是类别的标签形式，则可以直接计算交叉熵误差。