1. NLLLoss 和 CrossEntropyLoss
   在圖片單標籤分類時，輸入m張圖片，輸出一個mN的Tensor，其中N是分類個數。比如輸入3張圖片，分三類，最後的輸出是一個33的Tensor

input = torch.tensor([[-0.1123, -0.6028, -0.0450],
              [ 0.1596,  0.2215, -1.0176],
              [-0.2359, -0.7898,  0.7097]])

第123行分別是第123張圖片的結果，假設第123列分別是貓、狗和豬的分類得分。
first step: 對每一行使用Softmax，這樣可以得到每張圖片的概率分佈。概率最大的為：1：豬；2：狗；3：豬。

sm = torch.nn.Softmax(dim=1)
sm(input)
tensor([[0.3729, 0.2283, 0.3988],
        [0.4216, 0.4485, 0.1299],
        [0.2410, 0.1385, 0.6205]])

second step: 對softmax結果取對數

torch.log(sm(input))
tensor([[-0.9865, -1.4770, -0.9192],
        [-0.8637, -0.8019, -2.0409],
        [-1.4229, -1.9767, -0.4773]])

Softmax後的數值都在0~1之間，所以log之後值域是負無窮到0。
NLLLoss的結果就是把上面的輸出與Label對應的那個值拿出來，再去掉負號，再求均值。
假設我們現在Target是[0,2,1]（第一張圖片是貓，第二張是豬，第三張是狗）。第一行取第0個元素，第二行取第2個，第三行取第1個，去掉負號，結果是：[0.9865,2.0409,1.9767]。再求個均值，結果是:1.66
對比NLLLoss的結果

loss(torch.log(sm(input)),target)
# 1.6681

CrossEntropyLoss 相當於上述步驟的組合,Softmax–Log–NLLLoss合併成一步

loss2 = torch.nn.CrossEntropyLoss()
loss2(input,target)
# 1.6681