其实就是根据 真实值的结果，当成索引去取的值
import torch
import torch.nn as nnaaaa = torch.tensor([[2.0,1.0,3.0],[2.0,4.0,2.0]])l1 = nn.LogSoftmax(dim=-1)
result = l1(aaaa)
print(result)
import torch
import torch.nn as nn# 定义交叉熵损失函数
criterion = nn.CrossEntropyLoss()# 模拟的模型输出（没有经过 softmax）
aaaa = torch.tensor([[2.0, 1.0, 3.0],[2.0, 4.0, 2.0]])# 模拟的目标类别
target = torch.tensor([2, 1])# 计算交叉熵损失
loss = criterion(aaaa, target)
print("交叉熵损失:", loss.item()) 
在这个例子中，CrossEntropyLoss 会先对模型输出进行 softmax，然后计算目标类别的负对数似然损失（NLLLoss）。
其中 aaaa 是模型的原始输出，没有经过 softmax，target 是目标类别。
计算过程详细解释：
1. Softmax 操作：
• 第一行：[2.0, 1.0, 3.0]
• 计算 softmax 值：
经过计算得到：
• 第二行：[2.0, 4.0, 2.0]
• 计算 softmax 值：
经过计算得到：
2. 取对数：
• 第一行：[0.2595, 0.0952, 0.6452] 的对数：
• 第二行：[0.1065, 0.7869, 0.1065] 的对数：
3. NLLLoss 计算：
现在我们使用目标类别计算负对数似然损失：
4. 计算平均损失：
将两个样本的损失值相加后取平均：
因此，最终的交叉熵损失值为 0.33935。
总结：
• Softmax 将模型输出转换为概率分布。
• LogSoftmax 将 softmax 的概率取对数。
• NLLLoss 根据目标类别提取 log-prob 对应的值，并计算损失。
• CrossEntropyLoss 将 LogSoftmax 和 NLLLoss 结合起来。
