作用
ignore_index用于忽略ground-truth中某些不需要参与计算的类。假设有两类{0:背景，1：前景}，若想在计算交叉熵时忽略背景(0)类，则可令ignore_index=0（同理忽略前景计算可设ignore_index=1）。

代码示例

import torch
import torch.nn.functional as F
pred = torch.Tensor([[0.9, 0.1],[0.8, 0.2],[0.7, 0.3]]
)  # shape=(N,C)=(3,2)，N为样本数，C为类数
label = torch.LongTensor([1, 0, 1])  # shape=(N)=(3)，3个样本的label分别为1，0，1
out = F.cross_entropy(pred, label, ignore_index=0)  # 忽略0类
print(out)

输出

tensor(1.0421)

验证
pytorch的CrossEntropy使用公式：

计算：

ignore_index表示计算交叉熵时，自动忽略的标签值，example：

import torch
import torch.nn.functional as F
pred = []
pred.append([0.9, 0.1])
pred.append([0.8, 0.2])
pred = torch.Tensor(pred).view(-1,  2)label = torch.LongTensor([[1], [-1]])  # 这里输出类别为0或1，-1表示不参与计算loss。且计算平均loss的时候，reduction只计算实际参与计算的个数，这里相当于batchsize=2，但其中第index=1行为-1不参与计算loss。# out = F.cross_entropy(pred.view(-1, 2), label.view(-1, )) 
out = F.cross_entropy(pred.view(-1, 2), label.view(-1, ), ignore_index=-1) 
print(out)

输出结果：

tensor(1.1711)

再比如：

例如我的pred是(b,2,w,h),而label索引是(b,1,w,h)的矩阵，其中只有0，1值，0值代表从pred的第0个通道选择像素值，1值代表从pred的第1个通道选择像素值。

而此时我发现因为程序的错误，label矩阵中混入了一些-1值，这样正常的话是会报错的，因为pred矩阵没有-1通道。此时最简单的一个方法就是

loss = nn.CrossEntropyLoss(ignore_index=-1) 

上述操作就是相当于忽略-1标签值为-1的位置的对应像素值就不参与计算梯度了

torch.nn.CrossEntropyLoss 同理。