交叉熵(cross entropy)是深度学习中常用的一个概念,一般用来求目标与预测值之间的差距。以前做一些分类问题的时候,没有过多的注意,直接调用现成的库,用起来也比较方便。在使用交叉熵的时候,发现自己对交叉熵的理解有些模糊,不够深入。从头梳理了一下相关知识点,才算透彻的理解了,特地记录下来,以便日后查阅。
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 ) = P r ( X = x ) , x ∈ χ p(x)= Pr(X=x),x∈χ p(x)=Pr(X=x),x∈χ则定义事件的信息:
I ( x 0 ) = − l o g ( p ( x 0 ) ) I(x_0)= -log(p(x_0)) I(x0)=−log(p(x0))
由于是概率所以
p
(
x
0
)
{p(x_0) }
p(x0) 的取值范围是[0,1],绘制为图形如下:
可见该函数符合我们对信息量的直觉
2 熵
考虑另一个问题,对于某个事件,有 n n n种可能性,每一种可能性都有一个概率 p ( x i ) p(x_i) 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:
H
(
X
)
=
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
p
(
x
i
)
)
H(X) = -\sum_{i=1}^np(x_i)log(p(x_i))
H(X)=−i=1∑np(xi)log(p(xi))
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
)
l
o
g
(
p
(
A
)
)
+
p
(
B
)
l
o
g
(
p
(
B
)
)
+
p
(
C
)
l
o
g
(
p
(
C
)
)
]
H(X) = -[p(A)log(p(A)) + p(B)log(p(B)) +p(C)log(p(C))]
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
×
2.30
=
0.804
\quad=0.7\times0.36+0.2\times1.61+0.1\times2.30 = 0.804
=0.7×0.36+0.2×1.61+0.1×2.30=0.804
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:
H
(
X
)
=
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
p
(
x
i
)
)
=
−
p
(
x
)
l
o
g
(
p
(
x
)
)
−
(
1
−
p
(
x
)
l
o
g
(
1
−
p
(
x
)
)
)
H(X) = -\sum_{i=1}^np(x_i)log(p(x_i)) =-p(x)log(p(x))-(1-p(x)log(1-p(x)))
H(X)=−i=1∑np(xi)log(p(xi))=−p(x)log(p(x))−(1−p(x)log(1−p(x)))
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:
D
K
L
(
p
∣
∣
q
)
=
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
p
(
x
i
)
q
(
x
i
)
)
D_{KL}(p||q) = \sum_{i=1}^n p(x_i)log(\frac{p(x_i)}{q(x_i)})
DKL(p∣∣q)=i=1∑np(xi)log(q(xi)p(xi))
n为事件的所有可能性。的值越小,
D
K
L
D_{KL}
DKL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:
D
K
L
(
p
∣
∣
q
)
=
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
p
(
x
i
)
)
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
q
(
x
i
)
)
D_{KL}(p||q) = \sum_{i=1}^n p(x_i)log(p(x_i))-\sum_{i=1}^np(x_i)log(q(x_i))
DKL(p∣∣q)=i=1∑np(xi)log(p(xi))−i=1∑np(xi)log(q(xi))
=
−
H
(
p
(
x
)
)
+
[
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
q
(
x
i
)
)
]
\quad \quad \quad\quad=-H(p(x))+[-\sum_{i=1}^np(x_i)log(q(x_i))]
=−H(p(x))+[−i=1∑np(xi)log(q(xi))]
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:
H
(
p
,
q
)
=
−
∑
i
=
1
n
p
(
x
i
)
l
o
g
(
q
i
)
)
H(p,q)= -\sum_{i=1}^np(x_i)log(q_i))
H(p,q)=−i=1∑np(xi)log(qi))
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
D
K
L
(
y
∣
∣
y
‘
)
D_{KL}(y||y`)
DKL(y∣∣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:
l
o
s
s
=
1
2
m
∑
i
=
1
n
(
y
i
−
y
‘
i
)
2
loss=\frac{1}{2m}\sum_{i=1}^n(y_i-y`_i)^2
loss=2m1i=1∑n(yi−y‘i)2
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
l
o
s
s
=
−
∑
i
=
1
n
y
i
l
o
g
(
y
‘
i
)
loss = -\sum_{i=1}^ny_ilog(y`_i)
loss=−i=1∑nyilog(y‘i)
上式为一张样本的loss计算方法,上式中n代表着n种类别。
举例说明,比如有如下样本
对应的标签和预测值
* | 猫 | 青蛙 | 老鼠 |
---|---|---|---|
Label | 0 | 1 | 0 |
Pred | 0.3 | 0.6 | 0.1 |
那么
l
o
s
s
=
−
(
0
×
l
o
g
(
0.3
)
+
1
×
l
o
g
(
0.6
)
+
0
×
l
o
g
(
0.1
)
)
loss = -(0\times log(0.3)+1\times log(0.6)+0\times log(0.1))
loss=−(0×log(0.3)+1×log(0.6)+0×log(0.1))
=
−
l
o
g
(
0.6
)
=-log(0.6)
=−log(0.6)
对应一个batch的loss就是
l
o
s
s
=
−
1
m
∑
j
=
1
m
∑
i
=
1
n
y
j
i
l
o
g
(
y
‘
j
i
)
loss =-\frac{1}{m}\sum_{j=1}^m\sum_{i=1}^ny_{ji}log(y`_{ji})
loss=−m1j=1∑mi=1∑nyjilog(y‘ji)
m为当前batch的样本数
3 交叉熵在多分类问题中的使用
这里的多类别是指,每一张图像样本可以有多个类别,比如同时包含一只猫和一只狗
和单分类问题的标签不同,多分类的标签是n-hot。
比如下面这张样本图,即有青蛙,又有老鼠,所以是一个多分类问题
对应的标签和预测值
* | 猫 | 青蛙 | 老鼠 |
---|---|---|---|
Label | 0 | 1 | 1 |
Pred | 0.1 | 0.7 | 0.8 |
值得注意的是,这里的Pred不再是通过softmax计算的了,这里采用的是sigmoid。将每一个节点的输出归一化到[0,1]之间。所有Pred值的和也不再为1。换句话说,就是每一个Label都是独立分布的,相互之间没有影响。所以交叉熵在这里是单独对每一个节点进行计算,每一个节点只有两种可能值,所以是一个二项分布。前面说过对于二项分布这种特殊的分布,熵的计算可以进行简化。
同样的,交叉熵的计算也可以简化,即
l
o
s
s
=
−
y
l
o
g
(
y
‘
)
−
(
1
−
y
)
l
o
g
(
1
−
y
‘
)
loss=-ylog(y`)-(1-y)log(1-y`)
loss=−ylog(y‘)−(1−y)log(1−y‘)
注意,上式只是针对一个节点的计算公式。这一点一定要和单分类loss区分开来。
例子中可以计算为:
l
o
s
s
猫
=
−
0
×
l
o
g
(
0.1
)
−
(
1
−
0
)
l
o
g
(
1
−
0.1
)
=
−
l
o
g
(
0.9
)
loss_{猫}=-0\times log(0.1)-(1-0)log(1-0.1) = -log(0.9)
loss猫=−0×log(0.1)−(1−0)log(1−0.1)=−log(0.9)
l
o
s
s
蛙
=
−
1
×
l
o
g
(
0.7
)
−
(
1
−
1
)
l
o
g
(
1
−
0.7
)
=
−
l
o
g
(
0.7
)
loss_{蛙}=-1\times log(0.7)-(1-1)log(1-0.7) = -log(0.7)
loss蛙=−1×log(0.7)−(1−1)log(1−0.7)=−log(0.7)
l
o
s
s
鼠
=
−
1
×
l
o
g
(
0.8
)
−
(
1
−
1
)
l
o
g
(
1
−
0.8
)
=
−
l
o
g
(
0.8
)
loss_{鼠}=-1\times log(0.8)-(1-1)log(1-0.8) = -log(0.8)
loss鼠=−1×log(0.8)−(1−1)log(1−0.8)=−log(0.8)
单张样本的loss即为
l
o
s
s
=
l
o
s
s
猫
+
l
o
s
s
蛙
+
l
o
s
s
鼠
loss=loss_{猫}+loss_{蛙}+loss_{鼠}
loss=loss猫+loss蛙+loss鼠
每一个batch的loss就是:
l
o
s
s
=
∑
j
=
1
m
∑
i
=
1
n
−
y
j
i
l
o
g
(
y
‘
j
i
)
−
(
1
−
y
j
i
)
l
o
g
(
1
−
y
‘
j
i
)
loss = \sum_{j=1}^m\sum_{i=1}^n-y_{ji}log(y`_{ji})-(1-y_{ji})log(1-y`_{ji})
loss=j=1∑mi=1∑n−yjilog(y‘ji)−(1−yji)log(1−y‘ji)
式中m为当前batch中的样本量,n为类别数。
参考:
https://www.zhihu.com/question/65288314/answer/244557337
https://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence
https://jamesmccaffrey.wordpress.com/2013/11/05/why-you-should-use-cross-entropy-error-instead-of-classification-error-or-mean-squared-error-for-neural-network-classifier-training/