使用交叉熵（CrossEntropyLoss）做多分类问题最后一层是否使用softmax

最近在一个自己的数据集上做多分类问题，使用的是CrossEntropyLoss作为loss，但是训练效果一直不好。就疯狂找问题，快二十天了，未果。昨天在github上找了一段代码，移植之后。训练居然有效果，在看它的模型时，发现最后一层没有加softmax，手痒就加上去了，网络又没有了学习能力。于是怀疑是不是最后一次softmax的问题。在知乎上找到了一个提问，就是关于这个的，链接如下：
这是个链接
和我这段时间遇到的问题十分的相似，但是我自己的网络还是跑，不知道最后的结果会不会有改善。趁着等网络结果的时间，我谈一谈对这个问题的一些看法。

在pytorch中，交叉熵是NLLloss和log_softmax的结合，pytorch对传入的数据会先进行一次log_softmax，在进行后续的工作。

return nll_loss(log_softmax(input, 1), target, weight, None, ignore_index, None, reduction)

于是我自己写了段验证程序。

import torch
import torch.nn as nn

a = torch.tensor([[1,3,4,1,0.9,3]],dtype=torch.float32)
target = torch.tensor([3])
cre = nn.CrossEntropyLoss()
b = torch.softmax(a,dim=1)
c = torch.log_softmax(a,dim=1)
c_ = torch.log_softmax(b,dim=1)

print('~'*100)
print(c_)
loss = cre(b,target)
print(loss)
print('~'*100)
print(c)
loss = cre(a,target)
print(loss)

运行结果如下：

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
tensor([[-1.9493, -1.7801, -1.4440, -1.9493, -1.9518, -1.7801]])
tensor(1.9493)
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
tensor([[-3.6315, -1.6315, -0.6315, -3.6315, -3.7315, -1.6315]])
tensor(3.6315)

第一部分的结果是加了softmax之后，在计算交叉熵的结果。第二部分是没有加softmax的结果。可以看出经CrossEntropyLoss内置的log_softmax之后的预测值和最终的loss结果都不一样。但是哪种是对的啊？

我又想起pytorch文档中CrossEntropyLoss 的一段话。

raw and unnormalized scores 是指没有经过softmax的输出吗？

于是我又找到这篇帖子：
这也是个链接
最后一层加了softmax之后，不能用crosscntropy loss，用NLL loss。
要用crosscntropy loss，就不能在最后一层加softmax。

但愿我这段时间遇到的是这个问题。