做分类任务时，经常会遇到 CrossEntropyLoss。
比如图片分类、文本分类、情感分析，只要模型要从多个类别里选一个答案，它就很可能会出现。
它为什么这么常用？
因为分类任务里，我们关心的不只是“猜没猜对”，还关心模型对正确答案有多自信。
分类模型输出的是什么
假设我们有一个三分类任务：猫、狗、鸟。
模型最后可能会输出三个分数：
猫：2.1
狗：0.3
鸟：-1.2这些分数还不是概率，它们通常叫 logits。
我们可以用 Softmax 把它们转换成概率：
猫：0.82
狗：0.15
鸟：0.03如果真实答案是猫，那么这个预测就比较好，因为模型给猫的概率最高。
CrossEntropyLoss 关注什么
CrossEntropyLoss 会重点看正确类别的概率。
如果正确类别的概率很高，loss 就小；如果正确类别的概率很低，loss 就大。
比如真实答案是猫：
- 模型给猫 0.9，loss 很小
- 模型给猫 0.5，loss 变大
- 模型给猫 0.1，loss 会很大
这很符合直觉。
模型不仅要选对，还要对正确答案有足够信心。
为什么不能只看准确率
假设两个模型都预测对了。
模型 A 给正确类别的概率是 0.51。
模型 B 给正确类别的概率是 0.95。
从准确率看，它们都对了；但从训练角度看，模型 B 显然更好。
CrossEntropyLoss 就能区分这种差别。
它会鼓励模型把更多概率分给正确类别，而不是只要勉强猜对就行。
PyTorch 里怎么用
在 PyTorch 里，CrossEntropyLoss 通常这样用：
import torch
from torch import nn
loss_fn = nn.CrossEntropyLoss()
logits = torch.tensor([[2.1, 0.3, -1.2]])
target = torch.tensor([0])
loss = loss_fn(logits, target)这里有一个很重要的点：
CrossEntropyLoss 接收的是 logits，不需要你提前手动做 Softmax。
因为 PyTorch 的 CrossEntropyLoss 内部已经包含了 LogSoftmax 和负对数似然损失。
如果你先手动 Softmax，再传进去，反而可能造成数值问题。
标签应该长什么样
对于多分类任务，target 通常是类别索引。
比如：
0 表示猫
1 表示狗
2 表示鸟如果一批数据有 4 个样本，标签可能是：
target = torch.tensor([0, 2, 1, 0])这表示第 1 个和第 4 个样本是猫，第 2 个是鸟，第 3 个是狗。
小结
CrossEntropyLoss 很适合分类任务，因为它能衡量模型对正确类别的信心。
记住三个关键点：
- 它常用于分类任务。
- PyTorch 里通常直接传 logits。
- target 通常是类别索引，而不是 one-hot。
理解了这些，再看分类模型训练代码，就不会被 loss 那一行卡住。