在Torch中處理多類分類任務通常使用交叉熵損失函數和softmax函數。首先，定義一個包含所有可能類別的輸出層，并使用softmax函數將輸出映射為概率分布。然后，計算預測概率分布與真實標簽之間的交叉熵損失，通過反向傳播算法更新模型參數來最小化損失。以下是一個處理多類分類任務的示例代碼：

import torch
import torch.nn as nn
import torch.optim as optim

# 定義模型
class Net(nn.Module):
    def __init__(self, num_classes):
        super(Net, self).__init__()
        self.fc = nn.Linear(10, num_classes)
    
    def forward(self, x):
        x = self.fc(x)
        return x

# 初始化模型和損失函數
model = Net(num_classes=5)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 準備數據
inputs = torch.randn(3, 10)  # batch size為3，特征維度為10
targets = torch.LongTensor([1, 3, 0])  # 真實標簽

# 訓練模型
for epoch in range(100):
    optimizer.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
    optimizer.step()
    
    print('Epoch {}, Loss: {}'.format(epoch, loss.item()))

在上面的示例中，我們定義了一個簡單的神經網絡模型Net，包含一個全連接層和一個softmax操作。然后，我們使用交叉熵損失函數和隨機梯度下降優化器來訓練模型，最小化預測概率分布與真實標簽之間的交叉熵損失。在每個epoch中，我們計算損失并反向傳播更新模型參數，直到達到指定的訓練次數為止。