交叉熵是深度学习中的一个重要概念,在理解交叉熵之前,需要理解以下几个概念。
信息量
信息量可以理解为一件事情的不确定性,就比如说,“一周有七天”,这个事情的是确定的事件,他的信息量就很低,相反,‘2021年某一天中国A股的走势是多少’,这个关于A股走势不确定性很多,这句话的信息量就很大。
也就是说:概率越大,信息量越小,概率越小,信息量越大。概率与信息量成反比。
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)
相对熵(KL散度)
如果对于同一个随机变量 有两个单独的概率分布 P ( x ) 和 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。
KL散度越小,表示P(x)和Q(x)越接近
交叉熵
首先将KL散度公式拆开
前者 H ( p ( x ) ) 表示信息熵,后者即为交叉熵,KL散度 = 交叉熵 - 信息熵
交叉熵可以表示为:
这个交叉熵公式就可以用在深度学习中的交叉熵损失函数,用梯度下降法求解参数。
其实这样就是损失函数的一种形式。
接下来会讲述,交叉熵在损失函数中的应用。