熵值~~~~

信息一般可以被表述为不确定性的程度, 有如下特性

• 一定发生的事件没有信息
• 很有可能发生的事件几乎没有信息
• 随机事件拥有更多的信息
• 独立事件可以增加信息— 抛两次正面的骰子的信息量大于抛一次正面骰子的信息量 事件的信息可以形式化为:
  $$I(x)=-\log (P(x))$$
  熵用于衡量信息的多少，被定义为：
  $$H(x)=\mathbb{E}x\sim P(I(x))=-\mathbb{E}x\sim p[\log P(x)]$$

1.信息熵

在信息论中，熵（Entropy）是接收的每条消息中包含的信息的平均量。被称为信息熵、信源熵、平均自信息量。 这里，“消息”代表来自分布或数据流中的事件、样本或特征。（熵最好理解为不确定性的量度而不是确定性的量度，因为越随机的信源的熵越大）。

若一个离散随机变量X的可能取值为X={x1,x2,⋯,xn}，而对应的概率为pi=p(X=xi)，则随机变量X的熵定义为：

$H(X)=-{\sum }_{i=1}^{n}p\left(x_i\right)\log p\left(x_i\right)$

2.交叉熵

https://hsinjhao.github.io/2019/05/22/KL-DivergenceIntroduction/
在信息论中，交叉熵可认为是对预测分布q(x)用真实分布p(x)来进行编码时所需要的信息量大小。而在机器学习的分类问题中，真实分布p(x)是one-hot形式，表明独属于one-hot中1对应的角标的那个类，因此这也是为什么交叉熵常用于做分类问题的损失函数。

$\begin{array}{rl}H(p,q)& =\sum _{x}p(x)\log \frac{1}{q(x)}\\ & =-\sum _{x}p(x)\log q(x)\end{array}$

3.相对熵

https://blog.csdn.net/guolindonggld/article/details/79736508
https://hsinjhao.github.io/2019/05/22/KL-DivergenceIntroduction/
信息散度（information divergence）或 KL散度（Kullback-Leibler Divergence）也叫做相对熵，是两个概率分布之间的差异程度的非对称性度量（非对称性的意思是假如有概率分布P、Q，那么$KL(P||Q)$ ! = $KL(Q||P)$）。

理解1： p(x) 是目标分布，q(x)是去匹配的分布，如果两个分布完全匹配，那么KL(p||q) = 0；KL 散度又叫相对熵，在信息论中，描述的是q去拟合p的产品的信息损耗。

理解2：（只看第一部分即可，下面的公式推导可能有问题）

离散型KL散度公式：
P、Q为两个概率分布（在分类问题中，其实就是数据对应不同类别的概率值）
$D_{KL}(P\Vert Q)={\sum }_{i=1}^n{P}_i\log \left(\frac{P_i}{Q_i}\right)$

比如随机变量X在1，2，3分类下的概率分布P取值为[0.2,0.4,0.4]，随机变量Y在1，2，3分类下的概率分布Q取值为[0.4,0.2,0.4]，则
$\begin{array}{rl}D(P\Vert Q)& =0.2\times \log \left(\frac{0.2}{0.4}\right)+0.4\times \log \left(\frac{0.4}{0.2}\right)+0.4\times \log \left(\frac{0.4}{0.4}\right)\\ & =0.2\times -0.69+0.4\times 0.69+0.4\times 0\\ & =0.138\end{array}$

根据公式可知，KL散度有以下性质
正定性：D_KL (p∥q)≥0
可用Gibbs 不等式直接得出。先给出Gibbs不等式的内容：
若${\sum }_{i=1}^n{p}_i={\sum }_{i=1}^n{q}_i=1$, 且 $p_i,q_i\in (0,1]$，则有：
$-{\sum }_i^n{p}_i\log p_i\le -{\sum }_i^n{p}_i\log q_i$
当且仅当 $p_i=q_i\forall i$ 等号成立。

不对称性：
KL散度并不是一个真正的度量或者距离，因为它不具有对称性：
$D(p\Vert q)\ne D(q\Vert p)$
从相对熵的”相对”角度理解，KL = 交叉熵 – 信息熵
$\begin{array}{rl}{D}_{KL}(p\Vert q)& =H(p,q)-H(p)\\ & =-\sum _{x}p(x)\log q(x)-\sum _x-p(x)\log p(x)\\ & =-\sum _{x}p(x)(\log q(x)-\log p(x))\\ & =-\sum _{x}p(x)\log \frac{q(x)}{p(x)}\end{array}$

连续型KL散度公式：见链接

参考：https://zhuanlan.zhihu.com/p/165139520