一文搞懂交叉熵在机器学习中的使用,透彻理解交叉熵背后的直觉

关于交叉熵在loss函数中使用的理解

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。最近开始研究起对抗生成网络(GANs),用到了交叉熵,发现自己对交叉熵的理解有些模糊,不够深入。遂花了几天的时间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 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)=Pr(X=x),xχ p ( x ) = P r ( X = x ) , x ∈ χ ,则定义事件 X=x0 X = x 0 的信息量为:

I(x0)=log(p(x0)) I ( x 0 ) = − l o g ( p ( x 0 ) )

由于是概率所以 p(x0) p ( x 0 ) 的取值范围是 [0,1] [ 0 , 1 ] ,绘制为图形如下:


这里写图片描述
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 种可能性,每一种可能性都有一个概率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=1np(xi)log(p(xi)) H ( X ) = − ∑ i = 1 n p ( x i ) l o g ( p ( x i ) )

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)log(p(A))+p(B)log(p(B))+p(C))log(p(C))]0.7×0.36+0.2×1.61+0.1×2.300.804(1)(2)(3) (1) H ( X ) = − [ p ( A ) l o g ( p ( A ) ) + p ( B ) l o g ( p ( B ) ) + p ( C ) ) l o g ( p ( C ) ) ] (2) = 0.7 × 0.36 + 0.2 × 1.61 + 0.1 × 2.30 (3) = 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=1np(xi)log(p(xi))p(x)log(p(x))(1p(x))log(1p(x))(4)(5) (4) H ( X ) = − ∑ i = 1 n p ( x i ) l o g ( p ( x i ) ) (5) = − p ( x ) l o g ( p ( x ) ) − ( 1 − p ( x ) ) l o g ( 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:

DKL(p||q)=i=1np(xi)log(p(xi)q(xi))(3.1) (3.1) D K L ( p | | q ) = ∑ i = 1 n p ( x i ) l o g ( p ( x i ) q ( x i ) )

n为事件的所有可能性。
DKL D K L 的值越小,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:

DKL(p||q)==i=1np(xi)log(p(xi))i=1np(xi)log(q(xi))H(p(x))+[i=1np(xi)log(q(xi))](6)(7) (6) 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 ) ) (7) = − H ( p ( x ) ) + [ − ∑ i = 1 n p ( x i ) l o g ( q ( x i ) ) ]

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=1np(xi)log(q(xi)) H ( p , q ) = − ∑ i = 1 n p ( x i ) l o g ( q ( x i ) )

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 DKL(y||ŷ ) D K L ( y | | y ^ ) ,由于KL散度中的前一部分 H(y) − H ( 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:

loss=12mi=1m(yiyi^)2 l o s s = 1 2 m ∑ i = 1 m ( y i − 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

loss=i=1nyilog(yi^)(2.1) (2.1) l o s s = − ∑ i = 1 n y i l o g ( y i ^ )

上式为一张样本的loss计算方法。式2.1中n代表着n种类别。
举例说明,比如有如下样本


这里写图片描述

对应的标签和预测值

*青蛙老鼠
Label010
Pred0.30.60.1

那么

loss==(0×log(0.3)+1×log(0.6)+0×log(0.1)log(0.6)(8)(9) (8) l o s s = − ( 0 × l o g ( 0.3 ) + 1 × l o g ( 0.6 ) + 0 × l o g ( 0.1 ) (9) = − l o g ( 0.6 )

对应一个batch的loss就是

loss=1mj=1mi=1nyjilog(yji^) l o s s = − 1 m ∑ j = 1 m ∑ i = 1 n y j i l o g ( y j i ^ )

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


这里写图片描述

对应的标签和预测值

*青蛙老鼠
Label011
Pred0.10.70.8

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

loss=ylog(ŷ )(1y)log(1ŷ ) l o s s = − y l o g ( y ^ ) − ( 1 − y ) l o g ( 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:

losslossloss===0×log(0.1)(10)log(10.1)=log(0.9)1×log(0.7)(11)log(10.7)=log(0.7)1×log(0.8)(11)log(10.8)=log(0.8)(10)(11)(12) (10) l o s s 猫 = − 0 × l o g ( 0.1 ) − ( 1 − 0 ) l o g ( 1 − 0.1 ) = − l o g ( 0.9 ) (11) l o s s 蛙 = − 1 × l o g ( 0.7 ) − ( 1 − 1 ) l o g ( 1 − 0.7 ) = − l o g ( 0.7 ) (12) l o s s 鼠 = − 1 × l o g ( 0.8 ) − ( 1 − 1 ) l o g ( 1 − 0.8 ) = − l o g ( 0.8 )

单张样本的loss即为 loss=loss+loss+loss l o s s = l o s s 猫 + l o s s 蛙 + l o s s 鼠
每一个batch的loss就是:

loss=j=1mi=1nyjilog(yji^)(1yji)log(1yji^) 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 ^ )

式中m为当前batch中的样本量,n为类别数。

总结

路漫漫,要学的东西还有很多啊。

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/

相关推荐
©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页