softmax与CrossEntropyLoss()，log_softmax与 NLLLoss()

我们在处理单标签多分类问题时，若考虑用softmax来对模型最后输出作计算以得到各标签的概率分布，那之后可以通过crossentropy做一个似然估计，求得误差
但softmax求出来的概率分布中，每个标签的概率p∈(0,1)，当有些标签的概率过小时就会导致下溢出（实数在计算机内用二进制表示，所以不是一个精确值，当数值过小的时候，被四舍五入为0，这就是下溢出。此时如果对这个数再做某些运算（例如除以它）就会出问题。）。
考虑softmax和crossentropy这个组合方案，crossentropy的计算是在概率分布外面套一个log 来似然，也就是做Log(Softmax(x))这个一个工作。那么直接在计算概率分布的时候加上log,把概率从（0，1）变为（-∞，0），这样就可以防止中间的计算中出现下溢出。 所以log_softmax说白了就是将本来应该由crossentropy做的套log的工作提前到预测概率分布这里来，跳过了中间的存储步骤，防止中间数值会有下溢出，使得数据更加稳定。
正是由于把log这一步从计算误差提到前面，所以用log_softmax之后就可以直接用NLLLoss来计算误差(它没有套log这一步，直接将输入取反，然后计算和label的乘积求和平均)。

在实践过程中出现了这段报错

nn.CrossentropyLoss(predictions, labe