交叉熵损失函数原理详解
之前在代码中经常看见交叉熵损失函数(CrossEntropy Loss),只知道它是分类问题中经常使用的一种损失函数,对于其内部的原理总是模模糊糊,而且一般使用交叉熵作为损失函数时,在模型的输出层总会接一个softmax函数,至于为什么要怎么做也是不懂,所以专门花了一些时间打算从原理入手,搞懂它,故在此写一篇博客进行总结,以便以后翻阅。
交叉熵简介
交叉熵是信息论中的一个重要概念,主要用于度量两个概率分布间的差异性,要理解交叉熵,需要先了解下面几个概念。
信息量
信息奠基人香农(Shannon)认为“信息是用来消除随机不确定性的东西”,也就是说衡量信息量的大小就是看这个信息消除不确定性的程度。
“太阳从东边升起”,这条信息并没有减少不确定性,因为太阳肯定是从东边升起的,这是一句废话,信息量为0。
”2018年中国队成功进入世界杯“,从直觉上来看,这句话具有很大的信息量。因为中国队进入世界杯的不确定性因素很大,而这句话消除了进入世界杯的不确定性,所以按照定义,这句话的信息量很大。
根据上述可总结如下:信息量的大小与信息发生的概率成反比。概率越大,信息量越小。概率越小,信息量越大。
设某一事件发生的概率为P(x),其信息量表示为:
I
(
x
)
=
−
log
(
P
(
x
)
)
I\left ( x \right ) = -\log\left ( P\left ( x \right ) \right )
I(x)=−log(P(x))
其中
I
(
x
)
I\left ( x \right )
I(x)表示信息量,这里
log
\log
log表示以e为底的自然对数。
信息熵
信息熵也被称为熵,用来表示所有信息量的期望。
期望是试验中每次可能结果的概率乘以其结果的总和。
所以信息量的熵可表示为:(这里的
X
X
X是一个离散型随机变量)
H
(
X
)
=
−
∑
i
=
1
n
P
(
x
i
)
log
(
P
(
x
i
)
)
)
(
X
=
x
1
,
x
2
,
x
3
.
.
.
,
x
n
)
H\left ( \mathbf{X} \right ) = -\sum \limits_{i=1}^n P(x_{i}) \log \left ( P \left ( x_{i} \right ))) \qquad ( \mathbf{X}= x_{1},x_{2},x_{3}...,x_{n} \right)
H(X)=−i=1∑nP(xi)log(P(xi)))(X=x1,x2,x3...,xn)
使用明天的天气概率来计算其信息熵:
序号 | 事件 | 概率P | 信息量 |
---|---|---|---|
1 | 明天是晴天 | 0.5 | − log ( 0.5 ) -\log \left ( 0.5 \right ) −log(0.5) |
2 | 明天出雨天 | 0.2 | − log ( 0.2 ) -\log \left ( 0.2 \right ) −log(0.2) |
3 | 多云 | 0.3 | − log ( 0.3 ) -\log \left ( 0.3 \right ) −log(0.3) |
H ( X ) = − ( 0.5 ∗ log ( 0.5 ) + 0.2 ∗ log ( 0.2 ) + 0.3 ∗ log ( 0.3 ) ) H\left ( \mathbf{X} \right ) = -\left ( 0.5 * \log \left ( 0.5 \right ) + 0.2 * \log \left ( 0.2 \right ) + 0.3 * \log \left ( 0.3 \right ) \right) H(X)=−(0.5∗log(0.5)+0.2∗log(0.2)+0.3∗log(0.3))
对于0-1分布的问题,由于其结果只用两种情况,是或不是,设某一件事情发生的概率为
P
(
x
)
P\left ( x \right )
P(x),则另一件事情发生的概率为
1
−
P
(
x
)
1-P\left ( x \right )
1−P(x),所以对于0-1分布的问题,计算熵的公式可以简化如下:
H
(
X
)
=
−
∑
n
=
1
n
P
(
x
i
log
(
P
(
x
i
)
)
)
=
−
[
P
(
x
)
log
(
P
(
x
)
)
+
(
1
−
P
(
x
)
)
log
(
1
−
P
(
x
)
)
]
=
−
P
(
x
)
log
(
P
(
x
)
)
−
(
1
−
P
(
x
)
)
log
(
1
−
P
(
x
)
)
H\left ( \mathbf{X} \right ) = -\sum \limits_{n=1}^n P(x_{i}\log \left ( P \left ( x_{i} \right )) \right) \\ = -\left [ P\left ( x \right) \log \left ( P\left ( x \right ) \right ) + \left ( 1 - P\left ( x \right ) \right) \log \left ( 1-P\left ( x \right ) \right ) \right] \\ = -P\left ( x \right) \log \left ( P\left ( x \right ) \right ) - \left ( 1 - P\left ( x \right ) \right) \log \left ( 1-P\left ( x \right ) \right)
H(X)=−n=1∑nP(xilog(P(xi)))=−[P(x)log(P(x))+(1−P(x))log(1−P(x))]=−P(x)log(P(x))−(1−P(x))log(1−P(x))
相对熵(KL散度)
如果对于同一个随机变量 X X X有两个单独的概率分布 P ( x ) P\left(x\right) P(x)和 Q ( x ) Q\left(x\right) Q(x),则我们可以使用KL散度来衡量这两个概率分布之间的差异。
下面直接列出公式,再举例子加以说明。
D
K
L
(
p
∣
∣
q
)
=
∑
i
=
1
n
p
(
x
i
)
log
(
p
(
x
i
)
q
(
x
i
)
)
D_{KL}\left ( p || q \right) = \sum \limits_{i=1}^n p\left ( x_{i}\right ) \log \left ( \frac{p\left ( x_{i} \right )}{q\left ( x_{i} \right )} \right )
DKL(p∣∣q)=i=1∑np(xi)log(q(xi)p(xi))
在机器学习中,常常使用
P
(
x
)
P\left(x\right)
P(x)来表示样本的真实分布,
Q
(
x
)
Q \left(x\right)
Q(x)来表示模型所预测的分布,比如在一个三分类任务中(例如,猫狗马分类器),
x
1
,
x
2
,
x
3
x_{1}, x_{2}, x_{3}
x1,x2,x3分别代表猫,狗,马,例如一张猫的图片真实分布
P
(
X
)
=
[
1
,
0
,
0
]
P\left(X\right) = [1, 0, 0]
P(X)=[1,0,0], 预测分布
Q
(
X
)
=
[
0.7
,
0.2
,
0.1
]
Q\left(X\right) = [0.7, 0.2, 0.1]
Q(X)=[0.7,0.2,0.1],计算KL散度:
D
K
L
(
p
∣
∣
q
)
=
∑
i
=
1
n
p
(
x
i
)
log
(
p
(
x
i
)
q
(
x
i
)
)
=
p
(
x
1
)
log
(
p
(
x
1
)
q
(
x
1
)
)
+
p
(
x
2
)
log
(
p
(
x
2
)
q
(
x
2
)
)
+
p
(
x
3
)
log
(
p
(
x
3
)
q
(
x
3
)
)
=
1
∗
log
(
1
0.7
)
=
0.36
D_{KL}\left ( p || q \right) = \sum \limits_{i=1}^n p\left ( x_{i}\right ) \log \left ( \frac{p\left ( x_{i} \right )}{q\left ( x_{i} \right )} \right ) \\ = p\left ( x_{1}\right ) \log \left ( \frac{p\left ( x_{1} \right )}{q\left ( x_{1} \right )} \right ) + p\left ( x_{2}\right ) \log \left ( \frac{p\left ( x_{2} \right )}{q\left ( x_{2} \right )} \right ) + p\left ( x_{3}\right ) \log \left ( \frac{p\left ( x_{3} \right )}{q\left ( x_{3} \right )} \right ) \\ = 1 * \log \left ( \frac{1}{0.7} \right ) = 0.36
DKL(p∣∣q)=i=1∑np(xi)log(q(xi)p(xi))=p(x1)log(q(x1)p(x1))+p(x2)log(q(x2)p(x2))+p(x3)log(q(x3)p(x3))=1∗log(0.71)=0.36
KL散度越小,表示
P
(
x
)
P\left(x\right)
P(x)与
Q
(
x
)
Q\left(x\right)
Q(x)的分布更加接近,可以通过反复训练
Q
(
x
)
Q\left(x \right)
Q(x)来使
Q
(
x
)
Q\left(x \right)
Q(x)的分布逼近
P
(
x
)
P\left(x \right)
P(x)。
交叉熵
首先将KL散度公式拆开:
D
K
L
(
p
∣
∣
q
)
=
∑
i
=
1
n
p
(
x
i
)
log
(
p
(
x
i
)
q
(
x
i
)
)
=
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
p
(
x
i
)
)
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
q
(
x
i
)
)
=
−
H
(
p
(
x
)
)
+
[
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
q
(
x
i
)
)
]
D_{KL}\left ( p || q \right) = \sum \limits_{i=1}^n p\left ( x_{i}\right ) \log \left ( \frac{p\left ( x_{i} \right )}{q\left ( x_{i} \right )} \right ) \\ = \sum \limits_{i=1}^n p \left (x_{i}\right) log \left(p \left (x_{i}\right)\right) - \sum \limits_{i=1}^n p \left (x_{i}\right) log \left(q \left (x_{i}\right)\right) \\ = -H \left (p \left(x \right) \right) + \left [-\sum \limits_{i=1}^n p \left (x_{i}\right) log \left(q \left (x_{i}\right)\right) \right]
DKL(p∣∣q)=i=1∑np(xi)log(q(xi)p(xi))=i=1∑np(xi)log(p(xi))−i=1∑np(xi)log(q(xi))=−H(p(x))+[−i=1∑np(xi)log(q(xi))]
前者
H
(
p
(
x
)
)
H \left (p \left (x \right)\right)
H(p(x))表示信息熵,后者即为交叉熵,KL散度 = 交叉熵 - 信息熵
交叉熵公式表示为:
H
(
p
,
q
)
=
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
q
(
x
i
)
)
H \left (p, q\right) = -\sum \limits_{i=1}^n p \left (x_{i}\right) log \left(q \left (x_{i}\right)\right)
H(p,q)=−i=1∑np(xi)log(q(xi))
在机器学习训练网络时,输入数据与标签常常已经确定,那么真实概率分布
P
(
x
)
P\left(x \right)
P(x)也就确定下来了,所以信息熵在这里就是一个常量。由于KL散度的值表示真实概率分布
P
(
x
)
P\left(x\right)
P(x)与预测概率分布
Q
(
x
)
Q \left(x\right)
Q(x)之间的差异,值越小表示预测的结果越好,所以需要最小化KL散度,而交叉熵等于KL散度加上一个常量(信息熵),且公式相比KL散度更加容易计算,所以在机器学习中常常使用交叉熵损失函数来计算loss就行了。
交叉熵在单分类问题中的应用
在线性回归问题中,常常使用MSE(Mean Squared Error)作为loss函数,而在分类问题中常常使用交叉熵作为loss函数。
下面通过一个例子来说明如何计算交叉熵损失值。
假设我们输入一张狗的图片,标签与预测值如下:
* | 猫 | 狗 | 马 |
---|---|---|---|
Label | 0 | 1 | 0 |
Pred | 0.2 | 0.7 | 0.1 |
那么loss
l
o
s
s
=
−
(
0
∗
log
(
0.2
)
+
1
∗
log
(
0.7
)
+
0
∗
log
(
0.1
)
)
=
0.36
loss = -\left ( 0 * \log \left ( 0.2 \right ) + 1 * \log \left ( 0.7 \right ) + 0 * \log \left ( 0.1 \right )\right) = 0.36
loss=−(0∗log(0.2)+1∗log(0.7)+0∗log(0.1))=0.36
一个batch的loss为
l
o
s
s
=
−
1
m
∑
i
=
1
m
∑
j
=
1
n
p
(
x
i
j
)
l
o
g
(
q
(
x
i
j
)
)
loss = -\frac{1}{m}\sum \limits_{i=1}^m \sum \limits_{j=1}^n p \left (x_{ij}\right) log \left(q \left (x_{ij}\right)\right)
loss=−m1i=1∑mj=1∑np(xij)log(q(xij))
其中m表示样本个数。
总结:
-
交叉熵能够衡量同一个随机变量中的两个不同概率分布的差异程度,在机器学习中就表示为真实概率分布与预测概率分布之间的差异。交叉熵的值越小,模型预测效果就越好。
-
交叉熵在分类问题中常常与softmax是标配,softmax将输出的结果进行处理,使其多个分类的预测值和为1,再通过交叉熵来计算损失。
参考:
https://blog.csdn.net/tsyccnh/article/details/79163834