一.负对数似然
似然是已知数据，推参数，我们通过极小化负对数似然（最大似然），来求最佳的模型参数
二.交叉熵损失
而在训练过程中，标签通常采用one-hot编码表示，而样本真实分布的概率,这样交叉熵的表示形式其实是跟负对数似然一样的
三.pytorch实现的区别
1.在使用nn.NLLLoss()是，需要结合nn.LogSoftmax()一起使用，而nn.CrossEntropyLoss()不需要。
2.使用nn.CrossEntropyLoss()时，网络的最后一层不需要加softmax层。
3.使用nn.NLLLoss()是，标签不能使用one-hot编码标签，在使用nn.CrossEntropyLoss()时，可以使用one-hot标签，也可以不使用one-hot标签。
