1 x = np.array([[1, 2,3,4,5],#共三3样本，有5个类别
2 [1, 2,3,4,5],
3 [1, 2,3,4,5]]).astype(np.float32)
4 y = np.array([1, 1, 0])#这3个样本的标签分别是1,1,0即两个是第2类，一个是第1类。多类别这种，并不是one-hot编码，因此后面的损失计算是直接用对应标签索引到样本对应的正确置信度，直接求和得到batch的loss
5 x = torch.from_numpy(x)
6 y = torch.from_numpy(y).long()
7
8 soft_out = F.softmax(x,dim=1)#给每个样本的pred向量做指数归一化---softmax
9 log_soft_out = torch.log(soft_out)#将上面得到的归一化的向量再point-wise取对数
10 loss = F.nll_loss(log_soft_out, y)#将归一化且取对数后的张量根据标签求和，实际就是计算loss的过程
"""
这里的loss计算式根据batch_size归一化后的，即是一个batch的平均单样本的损失，迭代一次模型对一个样本平均损失。
在多个epoch训练时，还会求每个epoch内的总损失，用于衡量epoch之间模型性能的提升。
"""
11 print(soft_out)
12 print(log_soft_out)
13 print(loss)
14
15 loss = F.cross_entropy(x, y)
16 print(loss)
#输出：
softmax：
tensor([[0.0117, 0.0317, 0.0861, 0.2341, 0.6364],
[0.0117, 0.0317, 0.0861, 0.2341, 0.6364],
[0.0117, 0.0317, 0.0861, 0.2341, 0.6364]])
tensor([[-4.4519, -3.4519, -2.4519, -1.4519, -0.4519],
[-4.4519, -3.4519, -2.4519, -1.4519, -0.4519],
[-4.4519, -3.4519, -2.4519, -1.4519, -0.4519]])
tensor(3.7852)
tensor(3.7852)
