log_softmax能够解决函数overflow和underflow，加快运算速度，提高数据稳定性。

       使用log_softmax。 一方面是为了解决溢出的问题，第二个是方便CrossEntropyLoss的计算。不需要担心值域的变化。

      如上图，因为softmax会进行指数操作，当上一层的输出，也就是softmax的输入比较大的时候，可能就会产生overflow。比如上图中，z1、z2、z3取值很大的时候，超出了float能表示的范围。  同理当输入为负数且绝对值也很大的时候，会分子、分母会变得极小，有可能四舍五入为0，导致下溢出。  尽管在数学表示式上是对softmax在取对数的情况。但是在实操中是通过:

具体来说，需要进一步理清思路，那么建议看下面博客：

（三）PyTorch学习笔记——softmax和log_softmax的区别、CrossEntropyLoss() 与 NLLLoss() 的区别、log似然代价函数

感谢作者分享！

另外：Pytorch相关学习笔记，见链接：

https://blog.csdn.net/hao5335156/category_7716910.html

【参考】

https://www.zhihu.com/question/358069078

点滴分享，福泽你我！Add oil！