SSFL_IDS 模型的交叉熵损失函数实现

这段代码定义了一个名为 SSFL_IDS_CELoss 的自定义损失函数类，用于计算 SSFL_IDS 模型中的交叉熵损失 (Cross Entropy Loss)。

构造函数 __init__ 中没有需要初始化的参数，因此没有任何操作。

前向传播函数 forward 的输入参数包括预测概率 pred_pro 和目标张量 target_tensor。首先，使用 log_softmax 函数对预测概率进行 softmax 操作，并在维度 1 上进行计算。然后，将预测概率和目标张量相乘，并取负数，得到每个样本的损失值。最后，将所有样本的损失值求和，并除以预测概率的长度，即样本的个数，得到平均损失值。

class SSFL_IDS_CELoss(nn.Module):
    def __init__(self):
        super().__init__()
    def forward(self, pred_pro, target_tensor):
        pred_pro = F.log_softmax(pred_pro, dim=1)
        out = -1 * pred_pro * target_tensor
        return out.sum() / len(pred_pro)

这个损失函数可以用于监督学习任务中，比如图像分类任务，其中 pred_pro 是网络的预测输出，target_tensor 是真实标签 (one-hot 编码)。通过计算交叉熵损失，可以衡量预测结果与真实标签之间的差异，从而优化模型的参数。