我正在为MNIST数据集开发一个分类器。当我运行下面的代码时，在loss = loss_function(output, y)这一行出现了错误 ” ‘Softmax’ 对象没有属性 ‘log_softmax’ “。我还没有找到解决这个问题的方法。如果您能提供解决方案的建议，我将不胜感激。谢谢。

import matplotlib.pyplot as pltimport torch import torch.nn as nnimport torch.nn.functional as F import torch.optim as optimfrom torch.utils.data import DataLoader, Dataset, TensorDatasetimport torchvisionimport torchvision.transforms as transformsimport numpy as npdevice = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")batch_size = 512# Torchvision的图像转换将图像转换为张量并使用均值和标准差进行归一化transformer = transforms.Compose([transforms.ToTensor(), transforms.Normalize(mean=(0.1307,), std=(0.3081,))])data_train = DataLoader(torchvision.datasets.MNIST('Data/data/mnist', download=True, train=True, transform=transformer),                 batch_size=batch_size, drop_last=False, shuffle=True)data_test = DataLoader(torchvision.datasets.MNIST('Data/data/mnist', download=True, train=False, transform=transformer),                 batch_size=batch_size, drop_last=False, shuffle=True)class neural_nw(nn.Module):        def __init__(self):        super(neural_nw, self).__init__()        self.fc1 = nn.Linear(784, 128, True)        self.fc2 = nn.Linear(128, 128, True)        self.fc3 = nn.Linear(128, 10, True)        def forward(self, x):        output = torch.sigmoid(self.fc1(x))        output = torch.sigmoid(self.fc2(output))        output = nn.Softmax(self.fc3(output))        return output    MLP = neural_nw()loss_function = nn.CrossEntropyLoss()optimiser = optim.Adam(MLP.parameters(), lr = 0.01)Epochs = 50for epoch in range(Epochs):    for X, y in data_train:        X = X.view(X.shape[0], -1)        optimiser.zero_grad()        output = MLP.forward(X)        loss = loss_function(output, y)        loss.backward()        optimiser.step()

回答：

nn.Softmax定义了一个模块，nn.Modules被定义为Python类并具有属性，例如，nn.LSTM模块将有一些内部属性，如self.hidden_size。另一方面，F.softmax定义了操作，需要传入所有参数（包括权重和偏置）。通常，模块会在forward方法中隐式调用其函数式对应部分。

这解释了为什么使用F.softmax而不是nn.Softmax可以解决您的问题。