使用torch.nn.functional的nll_loss()函数进行模型评估

torch.nn.functional的nll_loss()函数用于计算负对数似然损失函数（Negative Log Likelihood Loss）。该函数常用于多类别分类问题，特别适用于带有softmax激活函数的模型。

nll_loss()函数的使用示例如下：

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

# 创建一个简单的分类模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(10, 2)  # 10个输入特征，2个输出类别

    def forward(self, x):
        x = self.fc(x)
        return F.log_softmax(x, dim=1)  # 使用log_softmax作为激活函数

# 定义训练数据
input_data = torch.randn(5, 10)  # 5个样本，每个样本有10个特征
target_labels = torch.tensor([1, 0, 1, 0, 1])  # 5个样本的目标类别

# 创建模型实例
model = Net()

# 计算模型的预测结果
output = model(input_data)

# 计算损失函数
loss = F.nll_loss(output, target_labels)

print(loss.item())  # 打印损失值

在上述代码中，首先我们定义了一个简单的分类模型Net，该模型包含一个全连接层fc和一个softmax激活函数log_softmax。然后我们创建了一个5x10的输入数据张量input_data和一个长度为5的目标类别张量target_labels。

接下来，创建模型实例model并传入输入数据input_data进行前向传播，得到模型的输出结果output。

最后，使用nll_loss()函数计算损失函数，将模型的输出结果output和目标类别target_labels作为输入。最后输出的损失值可以使用loss.item()获取，方便后续的输出和分析。

需要注意的是，nll_loss()函数的输入output需要经过log_softmax函数处理，而不是直接使用softmax函数。这是因为nll_loss()函数内部会自动将输入output进行softmax激活函数处理，在这里需要避免重复处理。

nll_loss()函数还可以通过设置参数reduce来控制损失函数的计算方式，默认情况下reduce为True，表示对所有样本取平均值。当reduce为False时，表示对每个样本单独计算损失值。可以通过设置参数size_average或者parametersDeprecated来实现相同的效果，但这些参数将在未来版本中被删除。

以上是使用torch.nn.functional的nll_loss()函数进行模型评估的一个简单例子。通过这个函数，我们可以方便地计算模型的损失函数，从而评估模型的性能。