交叉熵损失函数优缺点_交叉熵损失函数nn.CrossEntropyLoss()

nn.CrossEntropyLoss()

1.引言

在使用pytorch深度学习框架做多分类时，计算损失函数通常会使用交叉熵损失函数nn.CrossEntropyLoss()

2. 信息量和熵

信息量：它是用来衡量一个事件的不确定性的；一个事件发生的概率越大，不确定性越小，则它所携带的信息量就越小。假设$X$是一个离散型的随机变量，其取值集合为$X$ = $x_0，x_1，，，x_n$,其概率分布函数为$p(x) = Pr(X = x),x\in X$,则定义事件$X = x_0$的信息量为：

$$

I(x_i) = -log(p(x_i))

$$

当$p(x_0) = 1$ 时，该事必定发生，其信息量为0。

熵

熵用来衡量一个系统的混乱程度，代表系统中信息量的总和；熵值越大，表明这个系统的不确定性就越大。

信息量是衡量某个事件的不确定性，而熵是衡量一个系统(所有事件)的不确定性。

熵的计算公式:

$$

H(x) = -\sum_{i=1}^np(x_i)log(p(x_i))

$$

其中，$p(x_i)为事件X = x_i的概率，-log(p(x_i))为事件X = x_i 的信息量。$

可以看出，熵是信息量的期望值，是一个随机变量(一个系统，事件所有可能性)不确定性的度量。熵值越大，随机变量的取值就越难确定，系统也就越不稳定；熵值越小，随机变量的取值也就越