nn.CrossEntropyLoss类来定义交叉熵损失函数怎么写，给出代码并解释

假设我们有一个大小为`batch_size`的分类问题，其中有`num_classes`个类别。设模型的输出为`logits`，即模型对每个类别的预测得分。那么我们可以使用PyTorch中的`nn.CrossEntropyLoss`类来定义交叉熵损失函数。具体代码如下：

import torch.nn as nn

criterion = nn.CrossEntropyLoss()
loss = criterion(logits, labels)

其中，`logits`是模型输出的得分，大小为`[batch_size, num_classes]`；`labels`是标签，大小为`[batch_size]`。`nn.CrossEntropyLoss`类自动将`labels`转换为one-hot编码，并计算交叉熵损失。

交叉熵损失函数通常用于多分类问题，它的定义如下：

$$\text{loss} = -\frac{1}{N}\sum_{i=1}^{N}\sum_{j=1}^{C}y_{ij}\log(p_{ij})$$

其中，$N$是样本数，$C$是类别数，$y_{ij}$表示第$i$个样本是否属于第$j$个类别（$y_{ij}=1$表示属于，$y_{ij}=0$表示不属于），$p_{ij}$是模型对第$i$个样本属于第$j$个类别的预测概率。`nn.CrossEntropyLoss`类内部实现了这个损失函数的计算。