在使用pytorch深度学习框架，计算分类损失时经常会遇到这么一个函数nn.CrossEntropyLoss()，该损失函数结合了nn.LogSoftmax()和nn.NLLLoss()两个函数。它在做分类（具体几类）训练的时候是非常有用的，如下我将对该函数的原理使用代码和实例进行分析。
    
首先输入是size是(minibatch,C)。这里的C是类别数。损失函数的计算如下：

损失函数中也有权重weight参数设置，若设置权重，则公式为：

注意这里的标签值class，并不参与直接计算，而是作为一个索引,索引对象才为实际类别。

举个栗子，我们一共有5种类别，批量大小为1（为了好计算），那么输入size为（1,3），具体值为torch.Tensor([[-0.7715, -0.6205,-0.2562]])。标签值为target = torch.tensor([0])，这里标签值为0，表示属于第0类。loss计算如下：

举个栗子，我们一共有5个类别，batch_size =2，

import torch
import torch.nn as nn
import math

entroy=nn.CrossEntropyLoss()
input=torch.tensor([[ 0.0043, -0.0174, -0.0153,  0.0273,  0.0116],
        [-0.0182, -0.0238, -0.0167,  0.0360,  0.0207]])
target = torch.tensor([1, 2])
output = entroy(input, target)
print(output)

计算公式为：

loss1 = -x[1]+log(exp(x[0])+exp(x[1])+exp(x[2])+exp(x[3])+exp(x[4]))
loss2 = -x[2]+log(exp(x[0])+exp(x[1])+exp(x[2])+exp(x[3])+exp(x[4]))

则将数值代入以上计算公式得：

loss1 = -0.0174+log(exp(0.0043)+exp(-0.0174)+exp(-0.0153)+exp(0.0273)+exp(0.0116))
loss2 = -0.0167+log(exp(-0.0182)+exp(-0.0238)+exp(-0.0167)+exp(0.0360)+exp(0.0207))

总loss为