别再混淆了！PyTorch里NLLLoss和CrossEntropyLoss到底啥关系？一个例子讲清楚

在PyTorch框架中构建分类模型时，损失函数的选择往往让开发者陷入纠结——特别是当代码在nn.NLLLoss()和nn.CrossEntropyLoss()之间反复横跳时。许多教程对二者的解释要么过于理论化，要么直接给出"等价"结论却不说透底层逻辑。本文将通过一个完整的代码案例，带你穿透API文档的表层描述，真正理解这对"孪生兄弟"的设计哲学和使用边界。

1. 从分类任务看损失函数的本质

分类问题的核心是让模型输出类别概率分布。假设我们处理一个三分类任务，模型最后一层通常输出三个未归一化的数值（logits）。这些logits需要转化为概率形式，此时Softmax函数登场：

python复制import torch
logits = torch.tensor([[2.0, 1.0, 0.1]])  # 模型原始输出
probs = torch.softmax(logits, dim=1)      # 得到概率分布
print(probs)  # 输出: tensor([[0.6590, 0.2424, 0.0986]])

关键点在于：优秀的分类模型应该使目标类别的预测概率尽可能接近1。而衡量预测概率与真实分布差异的指标，正是损失函数的核心使命。这里就引出了两种视角：

• 负对数似然视角：概率越接近1，负对数越小
• 交叉熵视角：衡量两个概率分布之间的差异

实际上在分类任务中，这两种视角殊途同归。下面这个表格展示了二者的数学关系：