在分類問題中常用到交叉熵損失函式 CrossEntropyLoss，有時候還能看到NLLLoss損失，兩個損失是有關聯的。
1、首先，隨機生成一個3 * 3的 tensor，假設該張量 test_n 是我們的神經網路的輸出，一行相當於一個樣本的預測結果，如下：
2、使用Softmax處理生成的tensor，這裡要對每行元素進行操作，dim=1是對每行的元素進行操作（也就是沿著列增加的方向），dim=0是對每列的元素進行操作（也就是沿著行增加的方向），
3、接著對處理得到的tensor求對數，Softmax處理後的數值都在0～1之間，所以取 ln對數之後值域（-∞，0）
假設我們的目標是 target = torch.tensor([2, 0, 1])，我們希望 target的 label 所對應的概率越大越好（在對數影像中越接近X軸的1），
那麼對數值的絕對值就要越小（在對數影像中越接近Y軸的0），2是第一行中要取數值的索引，0是第二行要取數值的索引，1是第三行要取數值的索引，
對取出來的數值取絕對值後，再求平均值，該平均值就是要優化的損失，越小越好。
使用NLLLoss來驗證下，和上述解釋相符，
而CrossEntropyLoss損失函式是Softmax + Log + NLLLoss這些操作合併起來的。直接將神經網路的輸出test_n和target作為輸入進行計算。
Enjoy it!