分类损失函数 （一） torch.nn.CrossEntropyLoss()

1、交叉熵

• 是一种用于衡量两个概率分布之间的距离或相似性的度量方法。
• 机器学习中，交叉熵常用于损失函数，用于评估模型的预测结果和实际标签的差异。
• 公式：

y：真是标签的概率分布，y'：模型预测的概率分布

• 交叉熵损失函数的目的：是最小化预测概率分布和真是概率分布之间的差异，使模型能够更好的学习到数据的内在规律和特征。

2、pytorch中的CrossEntropyLoss()

• pytorch中的交叉熵包含两部分，softmax和交叉熵计算
• softmax将预测值转化为概率值
• 
• torch.nn.CrossEntropyLoss(logits，target)

其中logits预测值是网络输出：[[0.8, 0.5, 0.2, 0.5],

0.2, 0.9, 0.3, 0.2\], \[0.4, 0.3, 0.7, 0.1\], \[0.1, 0.2, 0.4, 0.8\]

其中target标签可以是：列表：torch.tensor([[1, 0, 0, 0],

0, 1, 0, 0\], \[0, 1, 0, 0\], \[0, 0, 0, 1\]\], dtype=torch.float) 索引：torch.tensor(\[0,1, 1, 3\], dtype=torch.long)