一文懂KL散度KL Divergence

liveshow021_jxb

已于 2023-04-08 21:17:54 修改

阅读量750

点赞数

分类专栏：基础知识评估指标自然语言处理文章标签：概率论共识算法

于 2023-04-08 17:39:08 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/liveshow021_jxb/article/details/129784404

版权

本文详细介绍了KL散度的概念，包括其非负性、非对称性，并探讨了它在概率分布比较、建模真实分布及变分自编码器中的应用。通过实例解释了为何KL散度不适合作为距离指标，并提供了与似然比的关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文翻译自https://naokishibuya.medium.com/demystifying-kl-divergence-7ebe4317ee68

KL散度中的KL全称是Kullback-Leibler，分别表示Solomon Kullback和Richard A.Leibler这两个人。

一、KL散度的定义

KL散度表明概率分布Q和概率分布P之间的相似性，由交叉熵减去熵得到

$D_{KL}(P||Q)=H(P,Q)-H(P)$

交叉熵和熵的计算如下

$H(P,Q)=\mathbb{E}_{x\sim P}[-logQ(x)]$

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。