torch.nn.functional.nll_loss(input, target, weight=None, size_average=None,
                                ignore_index=- 100, reduce=None, reduction='mean')
负对数似然损失
input：（N,C）其中C表示分类的类别数，2D损失中（N,C,H,W），或者多维损失（N,C,d1,d2,...,dk）。input期望是一个对数的概率，所以之前的概率最好是对数形式，比如使用torch.nn.functional.log_softmax求预测的概率
target：(N), 其中的数值在【0，c-1】之间。对于k维度的损失来说形式为（N,d1,d2,...,dk）
weight：（tensor，optional），一个手动的标量给每个分类，如果有，是一个大小为C的张量
size_average：(bool,optional) ,默认下是True，在每个批处理中平均损失。如果是False，那就是对每个批处理的损失进行求和。弃用
ignore_index（int,optional），指定目标值不影响输入梯度，当时size_average=TRUE，损失在非忽略的目标上平均，默认-100
reduce（bool,optional)），默认情况下，根据size_average，每个minibatch的观察值平均或求和损失，当reduce为False时，将返回每个批处理元素的损失，并忽略size_average。默认为True，弃用
reduction（string，optional）：指定要应用到输出的缩减，值为'none' | 'mean' | 'sum'。'none'表示不会降低， 'mean'表示求平均，'sum'表示输出求和，默认是mean
Example
input = torch.randn(3,5,requires_grad=True)
target = torch.tensor([1, 0, 4])
output = F.nll_loss(F.log_softmax(input), target)
output.backward()
https://pytorch.org/docs/stable/generated/torch.nn.functional.nll_loss.html?highlight=torch%20nn%20functional%20nll_loss#torch.nn.functional.nll_loss
https://pytorch.org/docs/stable/nn.functional.html