推薦參考：https://www.freesion.com/article/4488859249/
實際運用時注意：
F.binary_cross_entropy_with_logits()對應的類是torch.nn.BCEWithLogitsLoss，在使用時會自動添加sigmoid，然后計算loss。（其實就是nn.sigmoid和nn.BCELoss的合體）
total = model(xi, xv) # 回到forward函數 ， 返回 100*1維 loss = criterion(total, y) # y是label，整型 0或1 preds = (F.sigmoid(total) > 0.5) # 配合sigmoid使用 train_num_correct += (preds == y).sum()
想一想，其實交叉熵就是-sum(y_true * log(y_pred)),鏈接中的公式中，由於只有y_true等於1時計算才有效，所以可以化簡，同時y_pred經過了softmax處理