使用nn.CrossEntropyLoss()作为损失函数时报错“nll_loss_forward...“ not implemented for...

`nn.CrossEntropyLoss()` 是 PyTorch 中用于多分类问题的损失函数。它结合了 `nn.LogSoftmax()` 和 `nn.NLLLoss()`，适用于将模型输出与目标类别进行比较的场景。 `nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean')` 参数说明： - `weight`：各个类别的损失权重，可以用于处理类别不平衡问题。默认为 `None`，表示所有类别的损失权重相等。 - `size_average`：已过时的参数，被 `reduce` 参数替代。 - `ignore_index`：忽略指定索引的类别，不计算其损失。默认为 `-100`。 - `reduce`：是否对每个样本的损失进行平均。如果为 `True`，则返回所有样本损失的平均值；如果为 `False`，则返回所有样本损失的总和。默认为 `None`，表示使用全局设置。 - `reduction`：指定如何处理损失。可以是 `'none'`、`'mean'` 或 `'sum'`。默认为 `'mean'`。 使用示例： ```python import torch import torch.nn as nn # 创建交叉熵损失函数 loss_fn = nn.CrossEntropyLoss() # 假设 outputs 是模型的输出，targets 是目标类别的张量 outputs = torch.randn(10, 5) # 示例中假设模型输出为 10 个样本，每个样本有 5 个类别的得分 targets = torch.randint(5, (10,)) # 示例中假设目标类别为 10 个样本，每个样本的类别在 0 到 4 之间 # 计算损失 loss = loss_fn(outputs, targets) print(loss) ``` 在上述示例中，我们首先创建了一个 `nn.CrossEntropyLoss()` 的实例 `loss_fn`。然后，我们生成了模型的输出张量 `outputs` 和目标类别张量 `targets`。最后，我们将这两个张量作为输入传递给 `loss_fn()` 函数，计算出交叉熵损失 `loss`。 注意：`nn.CrossEntropyLoss()` 函数会自动应用 `nn.LogSoftmax()` 和 `nn.NLLLoss()`，因此在模型的输出中不需要进行 softmax 操作。同时，目标类别张量 `targets` 应当是一维的，每个元素代表一个样本的类别索引。 希望这个示例能够帮助您理解 `nn.CrossEntropyLoss()` 函数的用法。