实现这一点的一种方法是在网络输出上使用S形函数，它消除了softmax函数所具有的类得分之间的隐式相互依赖性。
对于损失函数，您可以根据任何目标类的“最高”预测值计算损失，并忽略所有其他类预测值。

# your model output
y_out = torch.tensor([[0.1, 0.2, 0.95, 0.1, 0.01]], requires_grad=True)
# class labels
y = torch.tensor([[0,1,1,0,1]])

由于我们只关心"最高“类概率，所以我们将所有其他类得分设置为对于其中一个类所获得的最大值：

class_mask = y == 1
max_class_score = torch.max(y_out[class_mask])
y_hat = torch.where(class_mask, max_class_score, y_out)

从中我们可以使用一个常规的交叉熵损失函数

loss_fn = torch.nn.CrossEntropyLoss()
loss = loss_fn(y_hat, y.float())
loss.backward()

当检查梯度时，我们看到，这“仅”更新了获得最高分数的预测以及任何类之外的所有预测。

>>> y_out.grad
tensor([[ 0.3326,  0.0000, -0.6653,  0.3326,  0.0000]])

其他目标类的预测不会接收梯度更新。请注意，如果可能类的比率非常高，则这可能会减慢收敛速度。