計算交叉熵損失
交叉熵損失是用來衡量分類損失的常見方法。在這個練習中，你將在 PyTorch 中計算交叉熵損失，會用到：
y：真實標籤。scores：softmax 之前的預測向量。
損失函式透過衡量預測誤差，幫助神經網路學習。請為 y 建立 one-hot 編碼向量、定義交叉熵損失函式，並使用 scores 與編碼後的標籤計算損失。結果會是一個代表該樣本損失的浮點數。
torch、CrossEntropyLoss，以及以 F 匯入的 torch.nn.functional 都已經為你載入。
本練習屬於課程
使用 PyTorch 的深度學習入門
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
import torch
import torch.nn.functional as F
from torch.nn import CrossEntropyLoss
y = [2]
scores = torch.tensor([[0.1, 6.0, -2.0, 3.2]])
# Create a one-hot encoded vector of the label y
one_hot_label = F.____(torch.____(____), num_classes=____)