KL 散度
KL 散度是衡量两种概率模型分布相似性的一种尺度,KL 越大两种概率模型分布相似性越小。
信息量
2022 阿根廷夺冠(没有信息量,因为已经夺冠了)
2026 阿根廷夺冠(信息量很大)
比特
对信息量进行数学意义上的定义。
f(x) := 信息量
信息量:f(2026 年阿根廷夺冠)= f(2026 年阿根廷进决赛)+ f(2026 年阿根廷赢了决赛)
概率:p(2026 年阿根廷夺冠)= p(2026 年阿根廷进决赛) * p(2026 年阿根廷赢了决赛)
所以要两个等式都成立可以 f = log(1/p)(2为底)
那么这也是信息量用计算机的名次比特来做单位(计算机里 1bit 就是 0,1 两个信息,f(0) = log(1/2) )的原因。
那么我们可以看出信息量衡量的是,一个事件从确定到不确定的难度有多大,信息量越大,难度越大。
熵
熵和信息量类似,但是区别是熵衡量的是整个系统里的所有事件,所以得乘上每个事件发生的概率,做信息量的加权平均(信息量的期望)。均匀分布的熵最大。
或者说:
熵衡量了随机变量的不确定性编码一个随机变量所需要的比特数目(平均角度)
H ( X ) = ∑ i p ( x i ) log 2 1 p ( x i ) = − ∑ i p ( x i ) log 2 p ( x i ) \mathcal{H}(X)=\sum_i p\left(x_i\right) \log _2 \frac{1}{p\left(x_i\right)}=-\sum_i p\left(x_i\right) \log _2 p\left(x_i\right) H(X)=i∑p(xi)log2p(xi)1=−i∑p(xi)log2p(xi)
相对熵(就是所谓的 KL 散度)
那么两个系统之间的熵怎么比较呢,自然而然就有了相对熵的概念。
Q 基于 P 的相对熵(以 P 为基准,看 Q 和 P 相差多少),描述了 Q 想要达到和 P 一样的概率分布中间还差了多少信息量,所以相对熵为 0 的时候,Q 和 P 概率同分布。
D K L ( P ∥ Q ) : = ∑ i = 1 m p i ⋅ ( f Q ( q i ) − f P ( p i ) ) = ∑ i = 1 m p i ⋅ ( ( − log 2 q i ) − ( − log 2 p i ) ) = ∑ i = 1 m p i ⋅ ( − log 2 q i ) ⏟ H ( P , Q ) : = 交叉熵 − ∑ i = 1 m p i ⋅ ( − log 2 p i ) ⏟ H ( P ) = H ( P , Q ) − H ( P ) \begin{aligned} & \boldsymbol{D}_{\boldsymbol{K} \boldsymbol{L}}(\boldsymbol{P} \| \boldsymbol{Q}) \\ & :=\sum_{i=1}^m p_i \cdot\left(f_Q\left(q_i\right)-f_P\left(p_i\right)\right) \\ & =\sum_{i=1}^m p_i \cdot\left(\left(-\log _2 q_i\right)-\left(-\log _2 p_i\right)\right) \\ & = \underbrace{\sum_{i=1}^m p_i \cdot\left(-\log _2 q_i\right)}_{H(P,Q) := 交叉熵}-\underbrace{\sum_{i=1}^m p_i \cdot\left(-\log _2 p_i\right)}_{H(P)} \\ & = H(P,Q) - H(P) \end{aligned} DKL(P∥Q):=i=1∑mpi⋅(fQ(qi)−fP(pi))=i=1∑mpi⋅((−log2qi)−(−log2pi))=H(P,Q):=交叉熵 i=1∑mpi⋅(−log2qi)−H(P) i=1∑mpi⋅(−log2pi)=H(P,Q)−H(P)
同理
D
K
L
(
Q
∥
P
)
:
=
H
(
Q
,
P
)
−
H
(
Q
)
\begin{aligned} & \boldsymbol{D}_{\boldsymbol{K} \boldsymbol{L}}(\boldsymbol{Q} \| \boldsymbol{P}) \\ & := H(Q,P) - H(Q) \end{aligned}
DKL(Q∥P):=H(Q,P)−H(Q)
由吉布斯不等式可以知道 KL 散度一定是大于 0 的,所以我们可以直接应用交叉熵,交叉熵越小,Q 和 P 越相似。
最大熵 MDP
常规 MDP: max π E [ ∑ t = 0 H r t ] \max _\pi E\left[\sum_{t=0}^H r_t\right] maxπE[∑t=0Hrt]
最大熵 MDP(PPO, SAC 里都有用):
max
π
E
[
∑
t
=
0
H
r
t
+
β
H
(
π
(
⋅
∣
s
t
)
)
]
\max _\pi E\left[\sum_{t=0}^H r_t+\beta \mathcal{H}\left(\pi\left(\cdot \mid s_t\right)\right)\right]
maxπE[∑t=0Hrt+βH(π(⋅∣st))]
,所以最大熵 MDP 是为了增加强化学习模型的探索性,因为均匀分布下的随机变量的熵最大。
拉格朗日对偶问题
TODO
KKT 条件
TODO
备注
sigmoid 函数
s i g m o i d ( x ) = 1 1 + e − x sigmoid(x) = \frac{1}{1+e^{-x}} sigmoid(x)=1+e−x1