在神经机器翻译中，常用的损失函数是交叉熵损失函数（cross-entropy loss）。交叉熵损失函数是一种衡量模型输出与真实标签之间差异的损失函数，它可以用于衡量生成的翻译结果与参考翻译之间的差异。

  具体而言，假设神经机器翻译模型的输出是一个概率分布，表示每个目标单词的概率，而参考翻译则被转换为目标语言单词的序列。交叉熵损失函数的计算通过比较模型输出的概率分布与目标语言序列中的实际单词标签来衡量两者之间的差异。在计算中，通过将模型输出的概率分布与目标语言序列的one-hot表示进行点乘并取log，然后将这些值求平均，来计算整个序列的交叉熵损失。

  交叉熵损失函数能够衡量模型输出的概率分布与真实标签之间的差异，并且能够鼓励模型通过最小化损失来调整其参数，从而提高翻译质量。除交叉熵损失函数外，也可以使用其他损失函数进行神经机器翻译模型的训练，比如均方误差损失函数、感知差异损失函数等，但交叉熵损失函数是目前应用最广泛的损失函数之一。