c-loss损失函数

交叉熵损失函数（Cross-Entropy Loss，也称为KL散度或负对数似然损失），通常用于深度学习的分类任务中，特别是在概率图模型和神经网络中。它衡量了实际标签的概率分布与预测概率分布之间的差异。当模型给出的预测概率接近真实类别时，交叉熵损失较小；反之，如果预测错误，损失会增大。

对于二分类问题，它的计算公式通常是这样的：
\[ L = -\sum_{i=1}^{n}(y_i \log(p_i) + (1-y_i) \log(1-p_i)) \]
其中，\( y_i \) 是样本的真实标签（0或1），而 \( p_i \) 是模型预测该样本属于正类的概率。

在多分类问题中，每个类别的概率都会被考虑，比如Softmax函数后的输出会被用作交叉熵的输入。