交叉损失函数在训练集的意义是什么
马上答辩，我想问一下交叉损失函数在训练集的意义是什么，对运行之后出现的loss值有什么影响，求简要简答，能够应付答辩ls
因为想让模型预测分布与数据的实际分布情况尽可能相近，也就是最大似然估计，最小化交叉熵等价于极大似然估计
首先，交叉熵是衡量结果的不确定性指标。我们可以把交叉熵看作两个概率分布之间的比较。它们的相似度越高，交叉熵就越小，两个概率分布完全相同时的交叉熵为0；对于交叉熵损失函数也就是负对数似然函数，在神经网络中，神经网络的目标输出是概率分布，而实际输出也是概率分布。如果它们之间差异很大，交叉熵就会很高，如果相似，交叉熵就会很低。
选择交叉熵损失函数的原因不仅仅在于可以从数学上被推导（回归不行，分类可以），关键在于它对错误输出的惩罚力度更大（有对数）。
CrossEntropyLoss （交叉熵损失函数），就是你说的loss 值 。数据本身就是要求同分布的，所以这里就不应该扯分布。 数据划分训练集和预测集后，模型训练是朝着loss 值降低的方向进行的，看loss 值是为了看是不是收敛。看训练集和测试集的评估指标是看有没有过拟合或者欠拟合的。
交叉熵损失函数是多分类问题中很常用的损失函数，而交叉熵损失函数又离不开softmax函数。因为在多分类问题中，神经网络最后一层全连接层的原始输出只是每一类的得分（score）向量。比如以MINIST手写数字识别为例，我们构建的神经网络的最后一层肯定只有10个神经元（每个神经元输出0-9数字的得分）。
注意，这里10个神经元输出的只是得分，而非该图片属于该数字的概率。那要输出概率该怎么办呢？这就要用到sofrmax处理了。