nn.CrossEntropyLoss中的forward函数

nn.CrossEntropyLoss中的forward函数用于计算交叉熵损失。它接受两个输入参数：input和target。其中，input是一个张量，表示模型的输出，target是一个张量，表示目标标签。forward函数的计算过程如下：

1. 首先，将input张量的形状调整为(batch_size, num_classes)，其中batch_size是输入样本的数量，num_classes是分类的类别数。

2. 然后，计算每个样本的softmax概率分布。softmax函数将input张量的每个元素转换为非负数，并且所有元素的和等于1。这样可以将input解释为每个类别的概率。

3. 接下来，根据target张量的形状，将其调整为(batch_size,)。target张量中的每个元素表示对应样本的真实类别标签。

4. 然后，根据target张量的值，从softmax概率分布中选择对应的概率值。这样可以得到每个样本的预测概率。

5. 最后，使用预测概率和真实标签计算交叉熵损失。交叉熵损失是预测概率和真实标签之间的差异度量，用于衡量模型的预测与真实情况之间的接近程度。

下面是一个示例代码，演示了如何使用nn.CrossEntropyLoss中的forward函数计算交叉熵损失：

import torch
import torch.nn as nn

# 定义模型输出和目标标签
input = torch.tensor([[0.5, 0.2, 0.3], [0.1, 0.8, 0.1]])
target = torch.tensor([0, 1])

# 实例化CrossEntropyLoss对象
loss_fn = nn.CrossEntropyLoss()

# 调用forward函数计算交叉熵损失
loss = loss_fn(input, target)

print(loss)  # 输出：tensor(1.1769)