交叉熵(Cross Entropy)是与均值误差(MSE)一样常用的损失函数,用在分类中。
一、分类的损失函数
为什么我们选择交叉熵作为损失函数呢?它与其他的损失函数相比有什么好处呢?我们用下面的例子来说明:
我们训练一个简单的神经网络,来判断图片中的动物是猫、狗还是兔子,用独热码表示最后结果。
模型一
正确答案 | 猫概率 | 狗概率 | 兔子概率 | 预测 |
---|---|---|---|---|
猫(1 0 0) | 0.8 | 0.1 | 0.1 | 猫(1 0 0) |
狗(0 1 0) | 0.05 | 0.9 | 0.05 | 狗(0 1 0) |
兔子(0 0 1) | 0.4 | 0.3 | 0.3 | 猫(1 0 0) |
模型二 | ||||
正确答案 | 猫概率 | 狗概率 | 兔子概率 | 预测 |
– | – | – | – | – |
猫(1 0 0) | 0.6 | 0.2 | 0.2 | 猫(1 0 0) |
狗(0 1 0) | 0.25 | 0.7 | 0.05 | 狗(0 1 0) |
兔子(0 0 1) | 0.8 | 0.15 | 0.05 | 猫(1 0 0) |
我们可以看到,尽管最后两个模型的输出完全一样,但从概率上看,模型一的表现要比模型二更好。 |
1.分类错误率
最朴素的一种定义方式,是直接计算分类错误的数量占总数量的百分比,即
C l a s s i f i c a t i o n E r r o r = n u m b e r o f e r r o r t o t a l n u m b e r Classification\ Error = \frac{number\ of\ error}{total\ number} Classification Error=total numbernumber of error上面两个模型的分类错误率都是 1 3 \frac{1}{3} 31,这样的损失函数无法判断出哪个模型表现更加优异。
2. 均方误差
均方误差一般用于回归,然而它也能用在分类中,我们把每个类别的独热码当作真实值,把概率当作预测值,来计算每个样本的误差,再求平均值,即 M S E = 1 n ∑ i = 1 n ( y ^ i − y i ) 2 MSE=\frac{1}{n}\sum_{i=1}^n(\hat y_i-y_i)^2 MSE=n1i=1∑n(y^i−yi)2模型一
样本一 M S E 11 = 1 3 [ ( 1 − 0.8 ) 2 + ( 0 − 0.1 ) 2 + ( 0 − 0.1 ) 2 ] = 0.02 MSE_{11}=\frac{1}{3}[(1-0.8)^2+(0-0.1)^2+(0-0.1)^2]=0.02 MSE11=31[(1−0.8)2+(0−0.1)2+(0−0.1)2]=0.02
样本二 M S E 12 = 1 3 [ ( 0 − 0.05 ) 2 + ( 1 − 0.95 ) 2 + ( 0 − 0.05 ) 2 ] = 0.0025 MSE_{12}=\frac{1}{3}[(0-0.05)^2+(1-0.95)^2+(0-0.05)^2]=0.0025 MSE12=31[(0−0.05)2+(1−0.95)2+(0−0.05)2]=0.0025
样本三 M S E 13 = 1 3 [ ( 0 − 0.4 ) 2 + ( 0 − 0.3 ) 2 + ( 1 − 0.3 ) 2 ] = 0.247 MSE_{13}=\frac{1}{3}[(0-0.4)^2+(0-0.3)^2+(1-0.3)^2]=0.247 MSE13=31[(0−0.4)2+(0−0.3)2+(1−0.3)2]=0.247
模型总误差 M S E 1 = 1 3 ( M S E 11 + M S E 12 + M S E 13 ) = 0.0897 MSE_1 = \frac{1}{3}(MSE_{11}+MSE_{12}+MSE_{13})=0.0897 MSE1=31(MSE11+MSE12+MSE13)=0.0897
模型二
样本一 M S E 21 = 1 3 [ ( 1 − 0.6 ) 2 + ( 0 − 0.2 ) 2 + ( 0 − 0.2 ) 2 ] = 0.08 MSE_{21}=\frac{1}{3}[(1-0.6)^2+(0-0.2)^2+(0-0.2)^2]=0.08 MSE21=31[(1−0.6)2+(0−0.2)2+(0−0.2)2]=0.08
样本二 M S E 22 = 1 3 [ ( 0 − 0.25 ) 2 + ( 1 − 0.7 ) 2 + ( 0 − 0.05 ) 2 ] = 0.0517 MSE_{22}=\frac{1}{3}[(0-0.25)^2+(1-0.7)^2+(0-0.05)^2]=0.0517 MSE22=31[(0−0.25)2+(1−0.7)2+(0−0.05)2]=0.0517
样本三 M S E 23 = 1 3 [ ( 0 − 0.8 ) 2 + ( 0 − 0.15 ) 2 + ( 1 − 0.05 ) 2 ] = 0.5217 MSE_{23}=\frac{1}{3}[(0-0.8)^2+(0-0.15)^2+(1-0.05)^2]=0.5217 MSE23=31[(0−0.8)2+(0−0.15)2+(1−0.05)2]=0.5217
模型总误差 M S E 2 = 1 3 ( M S E 21 + M S E 22 + M S E 23 ) = 0.2178 MSE_2 = \frac{1}{3}(MSE_{21}+MSE_{22}+MSE_{23})=0.2178 MSE2=31(MSE21+MSE22+MSE23)=0.2178
我们可以看到,由于我们引进对概率的计算,模型一的均方误差要小于模型二的均方误差。然而,我强烈不建议把MSE当作分类的损失函数,有以下两个原因:一是MSE用作分类的时候,训练刚开始的时候梯度下降的速度非常缓慢;二是并不是所有分类模型的MSE都是凸问题,因此深度学习的优化器表现会非常糟糕。下面我们来介绍比MSE在分类中更好用的交叉熵。
二、交叉熵的推导
交叉熵是信息论中的内容,我们从最基础的概念开始推导。
1. 信息量
一件事情可以包含多少信息呢?显而易见的事情大家都明白,不会包含很多信息;相反,出现概率越小的事情,就越违背人的直觉,也包含了越多的信息。例如:期中考试以往班上的第一名考了第一名,这件事在常人看来是正常的;而班级的最后一名考了第一名,蕴含了许多的信息——或许是他十分努力,奋发图强,或是他在课外和补习班老师上课,等等,都作为隐藏的信息,包含在这个事件当中。因此我们发现,一件事情的信息量与其发生的概率有关。
我们设离散随机变量 X X X为事件, χ \chi χ为其取值范围, p ( x ) = P r ( X = x ) , x ∈ χ p(x)=Pr(X=x),x\in \chi p(x)=Pr(X=x),x∈χ为事件 x x x发生的概率,我们定义 X = x 0 X=x_0 X=x0的信息量为(注:所有对数的底都是自然对数 e e e): I ( x 0 ) = − log ( p ( x 0 ) ) I(x_0)=-\log(p(x_0)) I(x0)=−log(p(x0))
2.信息熵
为什么我们要为事件 X X X定义一个取值范围呢?因为一件事情可能有各种各样的可能性,而 χ \chi χ代表了事件发生所有的可能性。例如:我打开了电脑,
事件 | 概率 |
---|---|
电脑正常开机 | 0.95 |
电脑黑屏,无法启动 | 0.04 |
电脑爆炸了 | 0.01 |
信息熵的定义是,所有事件的信息量乘上概率的期望,即 | |
H ( X ) = − ∑ i = 1 n p ( x i ) log ( p ( x i ) ) H(X)=-\sum_{i=1}^np(x_i)\log(p(x_i)) H(X)=−i=1∑np(xi)log(p(xi))在上面的例子中,我们的信息熵为 H ( X ) = − ( 0.95 × log ( 0.95 ) + 0.05 × log ( 0.05 ) + 0.01 × log ( 0.01 ) ) H(X)=-(0.95\times \log(0.95)+0.05\times \log(0.05)+0.01 \times \log(0.01)) H(X)=−(0.95×log(0.95)+0.05×log(0.05)+0.01×log(0.01))。 | |
有的问题只有两个可能性(例如扔硬币),服从伯努利分布,可以将信息熵的公式简化为: | |
设 p ( 0 ) = p , p ( 1 ) = 1 − p p(0)=p,\ p(1)=1-p p(0)=p, p(1)=1−p |
H ( X ) = − ∑ i = 1 n p ( x i ) log ( p ( x i ) ) = − ( p log p + ( 1 − p ) log ( 1 − p ) ) = − p log p − ( 1 − p ) log ( 1 − p ) \begin{aligned} H(X) &=-\sum_{i=1}^np(x_i)\log(p(x_i))\\ &=-(p\log p+ (1-p)\log(1-p))\\ &= -p\log p-(1-p)\log(1-p) \end{aligned} H(X)=−i=1∑np(xi)log(p(xi))=−(plogp+(1−p)log(1−p))=−plogp−(1−p)log(1−p)
3. 相对熵/KL散度
不同事件在不同的条件下发生的概率是不同的,比如夏天和冬天买雪糕的概率是不同的。假设对于一个事件 X X X,有两个概率分布 P ( X ) P(X) P(X)和 Q ( X )