Pytorch 为什么损失函数可以应用于不同大小的张量

例如，我有一个以张量[N，7]（N是样本数）为输入，以张量[N，4]为输出的网络，“4”表示不同类别的概率

训练数据的标签是张量[N]的形式，范围从0到3（表示地面真值类）

这是我的问题，我看过一些演示，它们直接将损失函数应用于输出张量和标签张量。我想知道为什么这能起作用，因为它们有不同的尺寸，而且这些尺寸似乎不符合“广播语义”

这是最简单的演示

import torch
import torch.nn as nn
import torch.optim as optim

if __name__ == '__main__':
    features = torch.randn(2, 7)
    gt = torch.tensor([1, 1])
    model = nn.Sequential(
        nn.Linear(7, 4),
        nn.ReLU(),
        nn.Linear(4, 4)
    )
    optimizer = optim.SGD(model.parameters(), lr=0.005)
    f = nn.CrossEntropyLoss()

    for epoch in range(1000):
        optimizer.zero_grad()
        output = model(features)
        loss = f(output, gt)
        loss.backward()
        optimizer.step()

---

在PyTorch中，实施是：

链接到文档：

---

因此，在pytorch中实现此公式可以得到：

导入火炬
导入torch.nn.功能为F
输出=火炬张量（[0.1998，-0.2261，-0.0388,0.1457]）
目标=火炬长传感器（[1]）
#实施上述公式
打印（‘手动交叉熵：’，（-output[target]+torch.log（torch.sum（torch.exp（output））））[0]）
#调用内置交叉熵函数检查结果
打印（'pytorch交叉熵：'，F.cross_熵（output.unsqueze（0），target））

输出：

手动交叉熵：张量（1.6462） pytorch交叉熵：张量（1.6462）

---

我希望这有帮助