loss = nn.CrossEntropyLoss(reduction=‘none‘)

nn.CrossEntropyLoss() 函数是 PyTorch 中用于计算交叉熵损失的函数。

其中 reduction 参数用于控制输出损失的形式。

当 reduction='none' 时，函数会输出一个形状为 (batch_size, num_classes) 的矩阵，表示每个样本的每个类别的损失。

当 reduction='sum' 时，函数会对矩阵求和，输出一个标量，表示所有样本的损失之和。

当 reduction='elementwise_mean' 时，函数会对矩阵求平均，输出一个标量，表示所有样本的平均损失。

在您的例子中，在使用 reduction='none' 时无法训练，是因为需要一个标量来表示整个训练集的损失，而不是一个矩阵。

而使用 reduction='sum' 时，会报错“AssertionError: 761.4056615234375”，可能是因为在某个时刻，损失值变得非常大，导致网络无法继续训练。

只有在使用 reduction='elementwise_mean' 时，将矩阵求平均，使得损失值保持在一个可接受的范围内，网络才能继续训练。

在选择 reduction 时，需要根据具体情况来决定使用哪种方式来计算损失，以保证网络能够正常训练。