计算语言学之条件熵与联合熵、相对熵与交叉熵的应用

本文深入探讨了条件熵与联合熵的概念及其在通信传输中的应用,解释了相对熵(KL距离)如何衡量两个分布的相似度,并通过实例展示了其在字符编码中的作用。此外,文章详细阐述了交叉熵作为损失函数的优势,包括其非负性、接近0的性质,以及在神经网络训练中替代二次代价函数的原因。
摘要由CSDN通过智能技术生成

1. 引言

条件熵与联合熵我们在之前已经讲过,大家可以类比一下条件概率和联合概率,就大概知道是什么意思了。不过这里我们还是复习一下条件熵与联合熵的公式。

2. 条件熵与联合熵的应用

条件熵:在给定X的情况下,Y的条件熵定义为:
H ( Y ∣ X ) = − ∑ x ∈ X

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI让世界更懂你

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值