nn.CrossEntropyLoss()

用于多分類，直接寫标簽序号就可以：0,1,2.

預測需要次元與标簽長度一緻。

import torch
import torch.nn as nn
import math
criterion = nn.CrossEntropyLoss()
output = torch.randn(3, 5, requires_grad=True)
label = torch.empty(3, dtype=torch.long).random_(5)
loss = criterion(output, label)

print("網絡輸出為3個5類:")
print(output)
print("要計算loss的類别:")
print(label)
print("計算loss的結果:")
print(loss)
           

預測代碼：log_softmax好像沒有歸一化，要不要好像沒差別

output = model(img_arr)
        score = m_func.log_softmax(output, dim=1)
        _, match = torch.max(score.data, 1)


        index=match.item()
           

import torch
import torch.nn as nn
x_input=torch.randn(3,3)#随機生成輸入 
print('x_input:\n',x_input) 
y_target=torch.tensor([1,2,0])#設定輸出具體值 print('y_target\n',y_target)

#計算輸入softmax，此時可