损失函数：交叉熵

给定两个概率分布p和q，通过q来表示p的交叉熵为：

$H(p,q)=-{\sum }_{x}p(x)logq(x)$

交叉熵刻画的是两个概率分布之间的距离，或可以说它刻画的是通过概率分布q来表达概率分布p的困难程度，p代表正确答案，q代表的是预测值，交叉熵越小，两个概率的分布约接近。

在神经网络中通常使用 Softmax 回归把前向传播得到的结果变成概率分布，所以交叉熵经常和 softmax 一起使用。

且在逻辑回归中，平方损失函数为非凸函数，交叉熵损失函数为凸函数。（只有当损失函数为凸函数时，梯度下降算法才能保证达到全局最优解）

import numpy as np


def cross_entropy(p, q):
    return -np.sum(p * np.log(q))


if __name__ == '__main__':
    print(cross_entropy([1, 0, 0], [0.5, 0.4, 0.1]))
    print(cross_entropy([1, 0, 0], [0.8, 0.1, 0.1]))
    print(cross_entropy([1, 0, 0], [0.9, 0.05, 0.05]))
    print(cross_entropy([1, 0, 0], [0.99, 0.005, 0.005]))
    print(cross_entropy([1, 0, 0], [0.99999, 0.000005, 0.000005]))
    # 0.3010299956639812
    # 0.09691001300805639
    # 0.045757490560675115
    # 0.004364805402450088
    # 4.342966533881614e-06

注：正确概率 p 一般是 one-hot 向量，而预测概率 q 经过 softmax 之后没有零值，因为 log0 无意义。