一、损失函数
举个例子
比如说根据Loss提供的信息知道，解答题太弱了，需要多训练训练这个模块。
Loss作用：1.算实际输出和目标之间的差距
2.为我们更新输出提供一定的依据（反向传播）
看官方文档
每个输入输出相减取平均取绝对值再取平均
第一个损失函数：L1Loss
（差的绝对值取平均）
需要注意输入输出
N=batch_size你有多少个数据
第一个损失函数：MSELoss
（平方差误差，平方取平均）
稳妥的写法是先引入nn，然后再找到MSEloss()这个方法，避免由于拼写出错而报错
二、交叉熵
算交叉熵一般都要soft-max的，和是1
这里的-xclass，只对目标分类计算，这里的目标分类class=1，因此-xclass=-0.2
如果预测输出为0.8,0.9,0.8这种的预测概率很高又很接近的就不行，分类器的效果就不是很好。
为了让这部分比较大，只有当output和Target完全命中的时候，这一项就比较大，就是会相匹配。
Target的N是要求多少个batchsize，如实际的对哈士奇的分类，类别有三个，但是每次输入的图片只有一个也就是batchsize等于1。
另外，还需要注意：
输入必须是没有处理过的对每一类的得分。
以代码为例：
三、反向传播
利用上一次的的网络来说明
1.计算实际输出和目标之间的差距
DataLoader这边就是一个数据的加载，加载的目标数据是dataset，输入的batch_size为64
为了观察输出方便，将batch_size设置为1
图片输入进去有以下输出
target
分类问题可以用交叉熵误差
神经网络输出和真实输出的一个差距
2.为我们更新输出提供一定的依据（反向传播）
每个卷积的卷积核就需要调优的参数，给每个卷积核参数设置了一个grad（梯度），每一个节点（待更新参数）都会求出一个对应梯度，优化过程中针对这个梯度进行优化，最终实现整体loss最优。
以梯度下降法进行说明，
删除了反向传播之后，发现梯度不更新了
