创建一个接受概率向量和索引的 CrossEntropyLossLayer 对象：

创建 CrossEntropyLossLayer，其中输入为概率向量，目标为索引：

将其应用于输入和目标：

创建一个 CrossEntropyLossLayer，对从字符串生成的序列进行计算：

将其应用于输入和目标：

完全正确的预测给出的损失为 0：

创建 CrossEntropyLossLayer，其中输入和目标为单一的概率：

将其应用于输入和目标：

线性作用于一批输入：

创建 CrossEntropyLossLayer，其中输入为概率向量，目标为索引：

将其应用于输入和目标：

创建一个 CrossEntropyLossLayer，对由字符串生成的向量进行操作：

将其应用于输入和目标：

创建 CrossEntropyLossLayer，其中输入和目标为表示二值类概率矩阵的图像：

将层应用于输入和目标：

度量来自小型集合的输入和目标的所有可能损失：

损失最小的输入和目标对：

损失最大的输入和目标对：

创建含有 CrossEntropyLossLayer 的图，其中输入是一个各颜色通道表示一个类的 3-通道图像，目标是表示各个像素正确类的索引矩阵：

度量目标图像和矩阵上的损失，其中区域上主要是红色、绿色和蓝色，分别匹配目标上的索引 1、2 和 3：

排列颜色，使各像素分布与目标矩阵不一致，并使损失增加：

当用于输出的最后激活为 ElementwiseLayer[LogisticSigmoid] 时， CrossEntropyLossLayer["Binary"] 自动被 NetTrain 使用. 创建网络，接受一个数据对，生成 True 或 False：

训练网络来判断第一个数字是否大于第二个数字：

由 NetTrain 自动构建的训练网络含有二值类型的 CrossEntropyLossLayer：

在平面上显示训练过的网络的行为：

绘制网络学到的概率：

当用于输出的最后激活为 SoftmaxLayer 时，CrossEntropyLossLayer["Index"] 自动被 NetTrain 使用. 从三个正态分布聚类创建人工数据集：

绘制数据集的图形：

通过把每个点和标签关联在一起创建训练数据：

创建一个网络，计算位于各个聚类上点的概率，使用 "Class" 解码器将输入分类为 Red、Green 或 Blue：

在数据上训练网络：

由 NetTrain 自动构建的训练网络含有 index-type 的 CrossEntropyLossLayer：

在每个聚类的中心运行网络：

显示特征空间中的等高线，其中每个类都达到了 0.75 的后验概率：

这里是由 CrossEntropyLossLayer["Binary"] 计算的函数：

在一些数据上对函数进行运算：

与下式等价：

在目标固定为 1 的情况下，当输入接近 1 时损失被最小化：

一般情况下，目标接近输入时损失被最小化：

把 CrossEntropyLossLayer["Binary"] 应用到标量概率 p 等价于把 CrossEntropyLossLayer["Probabilities"] 应用到向量概率 {p,1-p}：

通过替换得到同样的结果：

这里是由 CrossEntropyLossLayer["Probabilities"] 计算的函数：

对一些数据进行计算：

和下例等价：

采用独热 (one-hot) 编码的情况下，CrossEntropyLossLayer["Probabilities"] 等价于 CrossEntropyLossLayer["Index"]：

在稀疏标注数据上进行计算，给出同样的结果：

CrossEntropyLossLayer["Index"] 比 CrossEntropyLossLayer["Probabilities"] 快，且在类别数量较大的情况下使用的内存要少的多.