如何理解交叉熵

信息论
交叉熵是信息论中的一个概念，要想了解交叉熵的本质，需要先从最基本的概念讲起。

1 信息量
首先是信息量。假设我们听到了两件事，分别如下： 
事件A：巴西队进入了2018世界杯决赛圈。 
事件B：中国队进入了2018世界杯决赛圈。 
仅凭直觉来说，显而易见事件B的信息量比事件A的信息量要大。究其原因，是因为事件A发生的概率很大，事件B发生的概率很小。所以当越不可能的事件发生了，我们获取到的信息量就越大。越可能发生的事件发生了，我们获取到的信息量就越小。那么信息量应该和事件发生的概率有关。

假设X是一个离散型随机变量，其取值集合为χ,概率分布函数p(x)=Pr(X=x),x∈χp，则定义事件X=x0的信息量为：

I(x0)=−log(p(x0))

2 熵
考虑另一个问题，对于某个事件，有nn种可能性，每一种可能性都有一个概率p(xi) 
这样就可以计算出某一种可能性的信息量。举一个例子，假设你拿出了你的电脑，按下开关，会有三种可能性，下表列出了每一种可能的概率及其对应的信息量

序号    事件    概率p    信息量I
A    电脑正常开机    0.7    -log(p(A))=0.36
B    电脑无法开机    0.2    -log(p(B))=1.61
C    电脑爆炸了    0.1    -log(p(C))=2.30
注：文中的对数均为自然对数

我们现在有了信息量的定义，而熵用来表示所有信息量的期望，即： 

其中n代表所有的n种可能性，所以上面的问题结果就是 
H(X)===−[p(A)log(p(A))+p(B)log(p(B))+p(C))log(p(C))]0.7×0.36+0.2×1.61+0.1×2.300.804
然而有一类比较特殊的问题，比如投掷硬币只有两种可能，字朝上或花朝上。买彩票只有两种可能，中奖或不中奖。我们称之为0-1分布问题（二项分布的特例），对于这类问题，熵的计算方法可以简化为如下算式： 

3 相对熵（KL散度）
相对熵又称KL散度,如果我们对于同一个随机变量 x 有两个单独的概率分布 P(x) 和 Q(x)，我们可以使用 KL 散度（Kullback-Leibler (KL) divergence）来衡量这两个分布的差异

维基百科对相对熵的定义

In the context of machine learning, DKL(P‖Q) is often called the information gain achieved if P is used instead of Q.

即如果用P来描述目标问题，而不是用Q来描述目标问题，得到的信息增量。

在机器学习中，P往往用来表示样本的真实分布，比如[1,0,0]表示当前样本属于第一类。Q用来表示模型所预测的分布，比如[0.7,0.2,0.1] 
直观的理解就是如果用P来描述样本，那么就非常完美。而用Q来描述样本，虽然可以大致描述，但是不是那么的完美，信息量不足，需要额外的一些“信息增量”才能达到和P一样完美的描述。如果我们的Q通过反复训练，也能完美的描述样本，那么就不再需要额外的“信息增量”，Q等价于P。

KL散度的计算公式： 

n为事件的所有可能性。 
DKL的值越小，表示q分布和p分布越接近
4 交叉熵
对式3.1变形可以得到： 

等式的前一部分恰巧就是p的熵，等式的后一部分，就是交叉熵： 

在机器学习中，我们需要评估label和predicts之间的差距，使用KL散度刚刚好，即，由于KL散度中的前一部分−H(y)不变，故在优化过程中，只需要关注交叉熵就可以了。所以一般在机器学习中直接用用交叉熵做loss，评估模型。

机器学习中交叉熵的应用
1 为什么要用交叉熵做loss函数？
在线性回归问题中，常常使用MSE（Mean Squared Error）作为loss函数，比如： 


这里的m表示m个样本的，loss为m个样本的loss均值。 
MSE在线性回归问题中比较好用，那么在逻辑分类问题中还是如此么？

2 交叉熵在单分类问题中的使用
这里的单类别是指，每一张图像样本只能有一个类别，比如只能是狗或只能是猫。 
交叉熵在单分类问题上基本是标配的方法 

上式为一张样本的loss计算方法。n代表着n种类别。 
举例说明,比如一张图只有一只青蛙

对应的标签和预测值

那么 

对应一个batch的loss就是 

m为当前batch的样本数

 

 

原：https://blog.csdn.net/tsyccnh/article/details/79163834