loss function in GNNs

1. **交叉熵损失（Cross-Entropy Loss）**:
对于分类任务，尤其是节点分类或图分类，交叉熵损失是最常见的选择。在多类分类中，通常使用softmax函数来将GNN的输出转换为概率分布，然后使用交叉熵损失来比较预测的概率分布与真实的标签。

其中，M 是类别的数量，y 是一个二元指示器（0或1），表示样本i是否属于类别c，而p_ic 是模型预测样本i属于类别c的概率

import torch.nn as nn
import torch

output = torch.tensor([[1.0, 2.0, 0.1], [0.1, 1.0, 2.9]])  # Example logits
labels = torch.tensor([1, 2])
loss_fn = nn.CrossEntropyLoss()
loss = loss_fn(output, labels)

2. **均方误差损失（Mean Squared Error, MSE Loss）**:
在回归任务中，如节点回归或图回归，均方误差损失是标准的选择。它测量的是预测值与真实值之间差的平方的平均值。