利用torch.nn.functional中的nll_loss()计算损失函数

torch.nn.functional中的nll_loss()函数用于计算负对数似然损失函数（negative log likelihood loss）。

负对数似然损失函数在分类问题中非常常见，特别适用于多类别分类任务。它的计算公式如下：

nll_loss(x, target) = -x[target]

其中，x表示模型的输出结果，target表示真实标签的索引。

下面是一个使用nll_loss()函数的示例：

import torch
import torch.nn as nn
import torch.nn.functional as F

# 定义模型和数据
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(10, 2)
        
    def forward(self, x):
        x = self.fc(x)
        return x

model = Net()
input_data = torch.randn(3, 10)
target = torch.tensor([0, 1, 0])

# 计算模型输出结果
output = model(input_data)

# 计算损失函数
loss = F.nll_loss(F.log_softmax(output, dim=1), target)

# 打印损失值
print(loss)

在上面的示例中，首先定义了一个简单的神经网络模型，包含一个线性层。然后，生成了一个3x10的输入数据和一个长度为3的目标标签。接下来，通过模型前向计算得到输出结果。最后，在调用nll_loss()函数之前，需要用log_softmax函数对输出结果进行转换，以确保输出结果是概率分布。

运行上述代码，即可打印出计算得到的损失值。

需要注意的是，在计算nll_loss()的时候，输入的输出结果要经过log_softmax处理，否则会导致计算结果错误。