交叉熵损失函数

交叉熵损失函数（Cross-Entropy Loss），也称为对数损失（Log Loss），是机器学习和深度学习中常用的损失函数之一，尤其在分类问题中。它衡量的是模型预测的概率分布与真实标签的概率分布之间的差异。

为什么要写一期交叉熵损失函数，是因为在基于pytorch本地部署微调bert模型（yelp文本分类数据集）-CSDN博客这个项目的coding过程中，错误的使用了pytorch的CrossEntropyLoss这个函数，在一周多的时间内自我怀疑Bert的微调是否能够成功，最后发现是损失函数使用错误的问题

---

计算公式

代码实现

import torch
import torch.nn as nn

# 假设模型输出的logits
logits = torch.tensor([[2.0, 1.0, 0.5]])  # 形状为 [1, 3]
# 真实标签，类别为2
labels = torch.tensor([2])  # 形状为 [1]

# 定义损失函数
criterion = nn.CrossEntropyLoss()

# 计算损失
loss = criterion(logits, labels)

print(loss.item())  # 输出损失值

千万注意，函数中的两个参数是不同的维度，label会在函数内部自行进行one-hot编码，而logits（一般认为是模型的输出值）是一维的向量，每一个批次输出分类数量的向量表示，所以对于logits是不需要进行处理的！

---