logits细节理解
logits就是最终的全连接层的输出，指的是未经过softmax函数处理的网络输出，也就是各个类别的得分（score）或未经归一化的原始数值

CrossEntropyLoss() 通常用于多分类任务，它接受一个包含类别标签的张量作为目标值，并且假设每个样本只属于一个类别。在多分类任务中，模型的最后一层输出是一个概率分布，表示每个类别的概率。CrossEntropyLoss() 计算模型输出与目标标签之间的交叉熵损失，用于衡量模型的预测与真实标签之间的差异。多分类问题通常使用softmax函数来解决。这是因为softmax函数能将一组输入归一化（和为1）并映射到(0,1)区间内，可以看作是概率分布，从而取得了良好的效果。

nn.BCEWithLogitsLoss() 通常用于二分类任务，它接受一个包含二进制标签的张量作为目标值，并且假设每个样本可以属于多个类别。在二分类任务中，模型的最后一层输出是一个单个值，表示正类的概率。nn.BCEWithLogitsLoss() 将模型的输出应用于 Sigmoid 函数，将其转换为一个在0到1之间的概率值。然后，它计算模型输出与目标标签之间的二元交叉熵损失。

需要注意的是，nn.BCEWithLogitsLoss() 可以用于多标签分类任务， 其中每个样本可以属于多个类别。在这种情况下，每个类别被视为一个独立的二分类问题，并且损失通过对每个类别计算二元交叉熵的平均值得到。

总之，CrossEntropyLoss() 适用于多分类任务，而 nn.BCEWithLogitsLoss() 适用于二分类任务和多标签分类任务。