交叉熵损失函数的通用性（为什么深度学习DL普遍用它）：预测输出与 y 差得越多，L 的值越大，也就是说对当前模型的 “ 惩罚 ” 越大，而且是非线性增大是一种类似指数增长的级别，结论：它对结果有引导性

交叉熵损失函数的通用性（为什么深度学习DL普遍用它）：预测输出与 y 差得越多，L 的值越大，也就是说对当前模型的 “ 惩罚 ” 越大，而且是非线性增大是一种类似指数增长的级别，结论：它对训练模型识别效果有引导性

重点提一点的是，从图形中我们可以发现：预测输出与 y 差得越多，L 的值越大，也就是说对当前模型的 “ 惩罚 ” 越大，而且是非线性增大，是一种类似指数增长的级别。这是由 log 函数本身的特性所决定的。这样的好处是模型会倾向于让预测输出更接近真实样本标签 y。

https://blog.csdn.net/red_stone1/article/details/80735068