如何计算每一类的熵来测量pytorch上的模型不确定性

我试图计算熵来衡量模型的不确定性，在pytorch上使用MC Dropout进行图像分类任务，我使用样本平均输出_平均值计算每个样本的熵 如下面的代码所示

    for images,labels in testloader:
        images = images.to(device)
        labels = labels.to(device)
            
        with torch.no_grad():
          output_list = []                               
          for i in range(T):
            output_list.append(torch.unsqueeze(model(images), 0)) 
            
        
        
        #calculating samples mean
        output_mean = torch.cat(output_list, 0).mean(0) #shape (n_samples, n_classes)     
        output_mean = np.asarray(output_mean.cpu())
        
        epsilon = sys.float_info.min
        # Calculating entropy across multiple MCD forward passes 
        entropy = -np.sum(output_mean*np.log(output_mean + epsilon), axis=-1) #shape (n_samples, n_classes)

在计算每个样本的熵之后，我试图计算每个类的熵，以获得每个类的模型不确定性。 谁能帮我找到计算熵的正确公式