• log_softmax在理论上等于先softmax再log，但在实际使用中，后者会导致inf和nan
• 举个例子

import torch
import torch.nn.functional as F

a=torch.tensor([0.01,999])
b=F.softmax(a,dim=0)       # tensor([0., 1.])
torch.log(b)               # tensor([-inf, 0.])
c=F.log_softmax(a,dim=0)   # tensor([-998.9900,    0.0000])
torch.exp(c)               # tensor([0., 1.])

• 原因：log_softmax的公式是$\ln \frac{e^{xi}}{e^{x1}+...+e^{xn}}$
• 计算时会先令分子和分母除以$e^M$，M是xi的最大值，即$\ln \frac{e^{xi-M}}{e^{x1-M}+...+e^{xn-M}}$
• 再根据对数运算法则，变成$xi-M-\ln (e^{x1-M}+...+e^{xn-M})$
• 其中$e^{x1-M}+...+e^{xn-M}$是肯定不小于1的，保证了计算的可行性。