c++标准库无交叉熵损失函数，需手写或用第三方库；手写时须用log-sum-exp稳定技巧避免溢出，如先减最大值再计算；libtorch中可用torch::nn::functional::cross_entropy，要求targets为int64_t类型且索引不越界。
交叉熵损失在 C++ 里没有标准库函数
标准 C++ 库（<cmath></cmath>、<algorithm></algorithm> 等）不提供 cross_entropy_loss 这类函数。你得自己写，或依赖第三方库（如 Eigen、xtensor、libtorch）。直接手写最可控，也最容易调试。
常见错误是把 logits 当作概率直接喂给 -log(p) ——这会导致数值不稳定甚至 nan，因为未归一化的 logits 可能极大或极小，exp(logits) 溢出，log(0) 崩溃。
- 必须先对 logits 做 softmax（或更稳的 log-softmax），再计算 loss
- 分类任务中，label 通常是 one-hot 或 class index，要对应处理
- 多分类单标签场景最常用：输入 shape 是
[batch_size, num_classes]，label 是[batch_size]的整数索引
手写稳定版 cross_entropy_loss（单样本 + 批量）
核心是避免 exp 溢出：用 softmax 的 log-space 形式，即 log_softmax，再取负对数似然。公式等价于：
loss = -log(softmax(logits)[target]) = -logits[target] + log(sum(exp(logits)))
但直接算 sum(exp(logits)) 危险，所以改用带减法平移的 trick：
- 先求
max_logit = max(logits) - 再算
log(sum(exp(logits - max_logit))) + max_logit—— 这就是稳定版的log(sum(exp(logits))) - 最终 loss =
-logits[target] + log(sum(exp(logits - max_logit))) + max_logit
示例（单样本，logits = {2.0, 1.0, 0.1}, target = 0）：
max_logit = 2.0<br>shifted = {0.0, -1.0, -1.9}<br>log_sum_exp = log(exp(0.0) + exp(-1.0) + exp(-1.9)) + 2.0 ≈ log(1 + 0.3679 + 0.1496) + 2.0 ≈ 2.405<br>loss = -2.0 + 2.405 = 0.405
用 libtorch（C++ API）时怎么调用
如果你已在用 PyTorch 训练流程，C++ 部署时推荐直接用 torch::nn::functional::cross_entropy，它默认启用 log-sum-exp 稳定实现，且支持 label 为 int64_t 索引（无需 one-hot）。
- 输入
logits是torch::Tensor，shape[N, C] -
targets是torch::Tensor，dtypetorch::kLong，shape[N] - 别漏掉
reduction="mean"（默认）或设为"none"得到 per-sample loss - 错误示例：
targets传float类型 → 报错expected scalar type Long but found Float
代码片段：
auto logits = torch::randn({32, 10});<br>auto targets = torch::randint(0, 10, {32}, torch::kLong);<br>auto loss = torch::nn::functional::cross_entropy(logits, targets);
为什么不用 std::log(std::exp(x)) 这类链式调用
因为 std::exp(89) 就已溢出为 inf，而典型 logits 值域常达 ±30～±100。一旦出现 inf，后续 std::log(inf) 是 inf，std::log(0) 是 -inf，loss 失控。
- log-sum-exp 的平移技巧让所有
exp输入 ≤ 0，彻底规避溢出 - 即使全用
double，原始写法在 batch 较大时仍易崩；稳定版可安全跑满 float32 范围 - 某些嵌入式或纯 C++ 环境无法用 libtorch，这时手写稳定版是唯一可靠选择
真正容易被忽略的是：label 索引越界检查（比如 target >= num_classes）和梯度回传路径——如果只是前向计算 loss，不涉及 autograd，那没问题；但若需反向，必须确保 tensor 在计算图中正确连接。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
