各种loss简介-待更新

1.nn.MSEloss: 均方误差，X和Y维度要一致（可以是向量或者矩阵），i是下标 

loss(X, Y) =1/N {(X1 - Y1)的平方+(X2 - Y2)的平方+....+(XN - YN)的平方}

MSE值越小，说明模型拟合实验数据的能力越强

2.nn.BCEloss: 二分类的交叉熵，用的时候在该层前面要+sigmoid函数

loss(Xi, Yi) = -Wi[Yi logXi + (1-Yi)log(1-Xi)] 

X/Y可以是向量或者矩阵，i是下标，Xi表示第i个样本预测为正例的概率，Yi表示第i个样本的标签

Wi表示该项的权重大小， loss/W/X/Y维度都一样