机器学习中的分类问题常用到交叉熵作为损失函数，那么Pytorch中如何使用交叉熵损失函数呢？这就涉及到torch.nn中的三个类：nn.LogSoftmax、nn.NLLLoss、nn.CrossEntropyLoss，今天剖析一下这几个类，便于以后查找。
一、nn.LogSoftmax
softmax常用在网络的输出层上，以得到每个类别的概率，顾名思义，nn.LogSoftmax就是对softmax的结果取了一个log。
来源：https://pytorch.org/docs/stable/generated/torch.nn.LogSoftmax.html#torch.nn.LogSoftmax
注意，使用这个类时最好要指定dim，即沿着tensor的哪一个维度做softmax，如果不指定，也能做，那么沿着哪一维做呢？通过层层查看源码，我们发现：
来源：https://pytorch.org/docs/stable/_modules/torch/nn/functional.html#log_softmax
来源：https://pytorch.org/docs/stable/_modules/torch/nn/functional.html#log_softmax
如果不指定dim，torch会调用到_get_softmax_dim函数，该函数会根据输入tensor的维度总数指定一个，0、1、3维tensor，沿着第0维做；其他的，沿着第1维做。同时，该函数给我们了警告，告诉我们应该人为指定dim.
二、nn.NLLLoss
这个loss的全称叫负对数似然loss（negative log likelihood loss），里面的操作我认为其实就是取了个负。。如果不考虑前面可选的权重的话：
来源：https://pytorch.org/docs/stable/generated/torch.nn.NLLLoss.html#torch.nn.NLLLoss
因为它要求输入就已经是每个类的对数值了。值得注意的是，target并不是one-hot向量，而是范围在[0, C-1]之间的类别索引。这一点和后面要说的CrossEntropyLoss是一样的。
三、nn.CrossEntropyLoss
nn.CrossEntropyLoss可以看作是nn.LogSoftmax和nn.NLLLoss的结合：
来源：https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html?highlight=crossentropy#torch.nn.CrossEntropyLoss
即对输入数据先做log_softmax，再过NLLLoss。
注意体会红框内的计算过程，可以理解为什么它要求target不是one-hot向量，而是类别索引的标号：target中的类别序号yn实际上给出了计算softmax时的使用的输入向量x的索引，如此一来，
计算的恰好是第yn类对应的似然值。也就是说x_n,yn代表的是某batch中第n个样本的yn个值。
这个计算形式跟我们熟悉的交叉熵的形式：
loss = -(
ylogy'+(1-y)log(1-y') )
是等效的。
还有一点要注意的是，如果reduction不是'none'的话，默认会取平均，这个平均不仅是对batch取平均，如果有其它维度的话，对其它维度也是平均的
