计算交叉熵损失
交叉熵损失是衡量分类损失的常用方法。在本练习中，您将使用 PyTorch 计算交叉熵损失：
y：真实标签。scores：softmax 之前的预测向量。
损失函数通过度量预测误差来帮助神经网络学习。请为 y 创建独热编码向量，定义交叉熵损失函数，并使用 scores 和编码后的标签计算损失。结果将是一个表示该样本损失的单个浮点数。
已为您导入 torch、CrossEntropyLoss，以及作为 F 的 torch.nn.functional。
本练习是课程的一部分
使用 PyTorch 的深度学习入门
交互式实操练习
通过完成这段示例代码来试试这个练习。
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=____)