1、介绍
主页介绍的几种损失函数都是适用于回归问题损失函数，对于分类问题，最常用的损失函数是交叉熵损失函数 Cross Entropy Loss。它用于测量两个概率分布之间的差异，通常用于评估分类模型的性能。
2、公式
对于二分类问题，交叉熵损失的一般形式为：
其中，
是样本数量，
是实际标签，
是模型的预测概率。
对于多分类问题，交叉熵损失的一般形式为：
其中， 是样本数量，
是类别数量，
是实际标签的独热编码（one-hot encoding），
是模型对类别 
的预测概率。
3、图像
上图是交叉熵损失（Cross Entropy Loss）的图像。图中展示了两个类别（真实类别和错误类别）的概率与损失之间的关系，可以看到约接近目标值损失越小，随着误差变差，损失呈指数增长。
4、实例
假设我们有以下情况：我们正在训练一个模型来进行三种实例的分类，此时有100个待测样本。
我们使用 CrossEntropyLoss 作为损失函数：
python
import torch
import torch.nn as nn
# 示例数据
torch.manual_seed(42)
num_classes = 3
num_samples = 100
y_true = torch.randint(0, num_classes, (num_samples,))
y_pred_logits = torch.randn(num_samples, num_classes)
# 定义交叉熵损失函数
criterion = nn.CrossEntropyLoss()
# 计算损失
loss = criterion(y_pred_logits, y_true)
print(f'Cross Entropy Loss: {loss.item()}')在这个例子中，y_pred_logits 是模型的输出，它包含了对每个类别的未归一化的预测值。y_true 是实际标签。通过传递这两者给 CrossEntropyLoss，可以计算交叉熵损失。在实际训练中，您可能需要结合优化器来更新模型的权重以减小损失。