推荐参考：https://www.freesion.com/article/4488859249/
实际运用时注意：
F.binary_cross_entropy_with_logits()对应的类是torch.nn.BCEWithLogitsLoss，在使用时会自动添加sigmoid，然后计算loss。（其实就是nn.sigmoid和nn.BCELoss的合体）
total = model(xi, xv) # 回到forward函数 ， 返回 100*1维 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，其实交叉熵就是-sum(y_true * log(y_pred)),链接中的公式中，由于只有y_true等于1时计算才有效，所以可以化简，同时y_pred经过了softmax处理