使用torch.nn.functional的nll_loss()计算负对数似然损失

nll_loss()函数是PyTorch中用于计算负对数似然损失的一种方法，它是基于CrossEntropyLoss()和log_softmax()函数实现的。nll_loss()函数可以用于多类分类问题，其中输入的是logits（模型的输出）和目标标签，输出的是损失值。

下面是一个使用nll_loss()函数的简单示例：

import torch
import torch.nn.functional as F

# 定义模型输出和目标标签
logits = torch.tensor([[0.5, 0.2, -0.1], [0.1, 0.3, 0.4], [0.5, 0.2, -0.1]])
target = torch.tensor([0, 1, 2])

# 使用log_softmax()函数计算log probabilities
log_probs = F.log_softmax(logits, dim=1)

# 使用nll_loss()函数计算损失
loss = F.nll_loss(log_probs, target)

print(loss)

在这个例子中，logits是一个大小为（3，3）的张量，其中每行表示一个样本，每列表示一个类别的得分。目标标签target是一个大小为（3）的张量，表示每个样本的真实类别。先使用log_softmax()函数计算log probabilities，然后再使用nll_loss()函数计算损失。

输出结果为一个标量张量，表示三个样本的总损失。

除了输入logits和target以外，nll_loss()函数还有一些其他的参数可以调整，例如reduction参数用于控制损失的降维方式（'mean'表示输出平均损失，'sum'表示输出总损失，'none'表示不进行降维）。

此外，nll_loss()函数也可以用于带有权重的损失计算，通过设置weight参数为一个与类别数量相同的权重张量来实现。