.CrossEntropyLoss

`CrossEntropyLoss`，通常在深度学习中被称为交叉熵损失函数，是一种用于分类任务的标准损失函数[^4]。它主要用于衡量模型预测的概率分布与真实标签之间的差异。在多分类问题中，每个样本可以对应多个类别的概率，而交叉熵损失则是通过计算这些概率与对应标签之间对数差的负和来度量错误。

在PyTorch中，你可以这样使用`nn.CrossEntropyLoss()`[^5]：

import torch
import torch.nn as nn

# 假设你的模型输出是一个logits tensor（未经过softmax处理的概率）
logits = torch.randn(100, 10)  # (batch_size, num_classes)
labels = torch.randint(0, 10, (100,))  # (batch_size)

# 创建交叉熵损失函数
criterion = nn.CrossEntropyLoss()

# 计算损失
loss = criterion(logits, labels)

相关问题

nn.crossentropyloss

`nn.CrossEntropyLoss` 是一种常用的损失函数，用于多类别分类任务中。它将 softmax 函数和负对数似然损失 (Negative Log Likelihood Loss) 结合在一起，可以将模型预测的概率分布与真实标签的概率分布进行比较，并计算它们之间的差异。

具体来说，`nn.CrossEntropyLoss` 的输入包括两个部分：模型对每个类别的预测概率分布，以及真实标签的索引。它首先对模型预测的概率进行 softmax 处理，将其转化为概率分布；然后根据真实标签的索引选择对应的概率，并计算其负对数似然损失；最后将所有样本的损失求平均得到最终的损失值。

在 PyTorch 中，使用 `nn.CrossEntropyLoss` 可以方便地完成多类别分类任务的损失计算。

nn.CrossEntropyLoss

`nn.CrossEntropyLoss` 是一个用于多分类任务的损失函数，它将 softmax 函数和负对数似然损失结合在一起。在神经网络的最后一层使用 softmax 函数可以将输出转换成一个概率分布，每个类别的输出对应一个概率值。而负对数似然损失则可以度量模型预测的概率分布与真实标签的差距。

具体来说，`nn.CrossEntropyLoss` 的计算过程如下：

1. 对模型的最后一层输出进行 softmax 转换，得到一个概率分布 $p$。
2. 将真实标签 $y$ 转换成一个 one-hot 向量 $y'$。
3. 计算模型预测的概率分布 $p$ 和真实标签的 one-hot 向量 $y'$ 之间的交叉熵损失。

在训练过程中，通常将 `nn.CrossEntropyLoss` 作为模型的损失函数，通过反向传播算法求解模型参数的梯度，从而优化模型。