深度学习核心损失函数详解：交叉熵、MSE、对比学习（InfoNCE）

本文将用代码、图表和比喻，带你彻底理解这三种驱动AI模型的损失函数。

1. 交叉熵损失 (Cross-Entropy Loss)：分类任务的“黄金标准”

核心思想：衡量模型输出的预测概率分布与真实概率分布之间的差异。差异越小，损失越小。

• 真实分布：通常是 one-hot 编码（如 [1, 0, 0] 代表“猫”）。
• 预测分布：模型通过 Softmax 函数输出的概率（如 [0.7, 0.2, 0.1]）。

直观比喻：
老师（真实分布）知道正确答案是A。学生（模型）提交了一份选择题的概率答案。交叉熵就是评判学生答案的“离谱程度”。如果学生坚定地选错了（如给错误答案D分配0.9的概率），惩罚会非常严厉；如果学生不确定（如正确答案A只有0.4的概率），也会受到惩罚，但没那么重。

公式（多分类）：
L=−∑c=1Myclog⁡(pc)L = -\sum_{c=1}^{M} y_c \log(p_c)