机器学习：手撕 cross-entropy 损失函数

本文链接：https://blog.csdn.net/weixin_41559503/article/details/132318204

本文详细解析了交叉熵损失函数在机器学习中的概念，包括其与熵、KL散度和logloss的关系，以及在优化分类模型中的作用。通过实例说明，解释了交叉熵如何衡量两个概率分布的差异，以及在多分类问题中的等价性。

摘要由CSDN通过智能技术生成

本文首次发表于知乎，欢迎关注作者。

1. 前言

cross-entropy loss function 是在机器学习中比较常见的一种损失函数。在不同的深度学习框架中，均有相关的实现。但实现的细节有很多区别。本文尝试理解下 cross-entropy 的原理，以及关于它的一些常见问题。

本文将尝试解释以下内容：

如何计算 corss-entropy
用 cross-entropy 优化一个分类 model 的动机
cross-entropy 与 KL divergence 的区别和关系
cross-entropy 与 log loss 的区别和关系

2. cross-entropy 的概念

2.1 事件的信息量和编码事件信息量 bits 数量的理解

在介绍 cross-entropy 之前，先说说一个事件的信息量和编码一个事件 bit 位长度的含义。在信息论中，概率越小的事件，具备的信息量越大；概率越大的事件，具备的信息量越小。如事件 k 发生的概率为 $p_k$ ，那么事件 k 的信息量定义如下：

为了更直观的理解一个事件的概率和信息量的关系，我们举一个简单的例子：

例１: 比如在一个地区，明天“下雨”和“晴天”的概率各位 0.5，“下雨”和“晴天”的信息量为：

在没看天气预报前，我们不确定明天是“下雨”还是“晴天”。假如天气预报告诉我们明天“下雨”或者“晴天”，那么这个消息为我们带来１ bit 的信息量。

例2 ：同理比如这个地区，明天“下雨”概率为 0.75，明天“晴天”概率为 0.25， “下雨”的信息量为：

“晴天”的信息量为：

当天气预报告诉我们明天“下雨”，为我们带来 0.41 的信息量；若明天“晴天”，则为我们带来 2 bits 的信息量。

当 log 的底数为 2 时， $I_k$ 的单位为 bits；当 log 的底数为 e 时， $I_k$ 的单位为 nats；为了叙述方便，在没特殊说明的情况下，我们默认 log 的底数为 2。因为信息量 $I_k$ 的单位是 bits，这代表编码传输事件 k 的信息量需要的最少 bits 的数量。在实际的信息传输中，编码一个事件的 bits 位数量可能大于这个事件的信息量，多出的 bits 位为冗余或者错误，不具备更多的信息。

2.2 entropy 的理解

对于一个离散的概率分布来说，每个事件 k 的信息量，都会对应一个 bits 位的数量，entropy 则是概率分布中所有事件的 bits 位数量的期望（均值），也代表着个事件中的平均信息量。即：entropy 是编码一个概率分布时，用到的 bits 位数量的期望（均值）。有偏分布的 entropy 要小于均匀分布的 entropy。对于一个概率分布 p，entropy 的概念如下：

比如在例 1 中，听天气预报可以获取的平均信息量：

比如在例 2 中，听天气预报可以获取的平均信息量为：

2.3 cross-entropy 的理解

如果事件 k 对应 2 个不同的概率分布 p 和 q，cross-entropy H（p， q）的定义如下：

为了更好的理解 cross-entropy 的定义，先定义一个随机变量 $k_{bit}$ :

从概率分布 p 中，采样一个事件（数据） k，然后按照概率分布 q 编码事件 k 的信息量，需要的 bit 位长度为 $k_{bit} = log q_k$ 。

cross-entrpy 则是随机变量 $k_{bit}$ 的相对于分布 p 的期望，即用分布 q 编码从分布 p 中的采样数据的信息量时的 bits 数量期望。entropy 和 cross-entropy 从定义上看起来很像，将 entropy 的 $log {p_k}$ 替换为 $log q_k$ 便得到 cross-entropy，且容易推导出下面的等式：

类比 H（p）表示分布 p 提供的平均信息量，也是 p 分布包含的所有事件编码的平均 bits 数量。同理 H（q， p）表示用分布 p 编码从分布 q 的采样数据时，需要的平均 bits 数量。很明显 cross-entropy 不对称，即 H（p， q）!= H(q, p) 。

为了进一步理解 cross-entropy 的概念，我们继续举一个关于编码天气预报的例子：

例３：一个地区的天气有８种类型，如表 1 所示，天气类型的分布为 p。天气预报将每种天气编码成 3bits 数据进行传输，根据信息量定义，可以通过编码的 bits 位数，推算出对应的编码分布 q。

根据 entropy 的定义：

根据 corss-entropy 的定义：

entropy 表示我们能从天气预报中，平均每天获取 3 个 bits 的信息量。cross-entropy 表示这个编码方式的传输系统，平均每天传输 3bits 的数据。此时传输编码 bits 数与信息量恰好相等，即 H（p） = H（p， q），传输系统编码效率较高，没有冗余 bits 位。但假如是在沙漠地区，天气类型的概率分布 p 发生变化，但编码方式没变，即编码分布 q 没变，如表 2 所示：

对应的 entropy 为（平均每天获取信息量）：

对应的 cross-entropy 为（传输系统平均每天的传输 bits 位）：

这时候，发现传输系统平均每天传输的 bits 数要大于从天气预报中获得的 bits 数，这时传输系统有冗余，多出来的 bits 数就是冗余 bits 数。

如果我们更换传输系统的编码方式，编码分布也会相应的跟随变化，如表 3 所示：

对应的 entropy 没变（平均每天获取信息量）：

对应的 cross-entropy 为（传输系统平均每天的传输 bits 位）：

改变天气预报的编码方式后，传输系统平均每天的传输 bits 数量相对与修改前减少，与 entropy 更接近了。冗余的 bits 位数量更少了，传输系统的效率也更高了。

通过例 3 我们可能隐约感觉到，如果编码方式设计的更精巧些，传输系统平均每天的传输 bits 数，会进一步下降，直到 H（p， q） = 2.225 与分布的 p 的熵相等。自然引出一个猜想：∀q ，H（p， q） ≥ H（p）。这个猜想是正确，H（p， q）和 H（p）的差是 KL（p||q），这个我们放到下一节证明。

3. cross-entropy 与 KL 散度

cross-entropy 不是 KL 散度，但 cross-entropy 与 KL 散度有着密切的关系。如果事件 k 对应 2 个不同的概率分布 p 和 q，则 KL 散度 KL（p||q）的定义如下：

我们对 KL 散度做进一步的推导：

即 cross-entropy 与 entropy 的差为 KL 散度。同理为了更好的理解 KL 散度，我们先定义一个随机变量 ∆ $k_{bit}$ :

*从概率分布 p 中，采样一个事件（数据）k，用概率分布 q 编码事件 k 的信息量比用概率分布 p 编码事件的信息量额外多需要的 bits 位长度为 ∆ $k_{bit}$ = -（ $log q_k$ - $log p_k$ ） *

所以 KL（p||q）可以理解为：随机变量 ∆kbit 相对与分布 p 的期望，即用分布 q 编码从分布 p 中采样数据的信息量时，相对于用分布 p 编码从分布 p 中采样数据的信息量时，额外需要的 bits 位的期望。KL（p||q）衡量了分布 p 和 q 之间的差异，因此，KL 散度也叫 Relative Entropy（相对熵）。同 cross-entropy 一样，KL 散度也不是对称的，即 KL（p||q）！= KL(q||p)。 KL 散度另外一个关键的定理：

证明。为了证明这个定理，我们需要使用 Jenson's inequality。对于任意的凸函数，我们有：

其中 $\lambda _i$ ≥ 0 且 $\sum _i \lambda_i$ = 1，即期望的函数小于等于函数的期望，如图所示。

让我们开始证明这个定理，以下证明参考《Machine Learning A Probabilistic Perspective 》p58。

设集合 A = {x : p（x） > 0}：

因为函数 log 为凹函数，所以正是 Jenson’s inequality 的反向表达：*期望的函数大约等于函数的期望*，得到第一行到第二行的变换；因为 p（x） > 0，所以第二行的分子分母中的 p（x）可以直接点约掉，得到第三行；因为集合 A 表示分布 p 的所有 x 的集合，集合 χ 表示 q 分布所有 x 的集合，当且仅当集合 A = χ 时，第四行的等号成立；对于集合 χ 中，所有元素的 q（x）之和为 1，便得到第五行的等式。所以这也间接的验证我们在上一章提出的猜想：∀q ， H（p， q） ≥ H（p）。这为 cross-entropy 和 KL 散度作为损失函数提供保证。

将 cross-entropy 和 KL 散度的关系和区别总结如下：

通过前面的讨论，我们可以感觉到，当 cross-entropy 和 KL 散度作为分类模型的损失函数时，从模型初始的损失值，到模型最优时的损失值，这两种损失函数的减少量是相同的，所以从这个角度讲，cross-entropy 与 KL 散度的作用是相同的。

4. cross-entropy 优化分类模型

cross-entropy 作为损失函数常常被用来优化分类模型。采用 cross-entropy 作为损失函数往往会比 sum-of-square 作为损失函数收敛速度更快，同时泛化性更好。

只有 2 个类别的分类任务，是 binary classification problems，超过 2 个类别则是 multi-class classification。在 K-分类问题中，对于每一条样本数据，它的 label 一般被编码为 one-hot 向量，它可以看做一个离散的概率分布，共 K 个类别，真实类别概率为 1，其余类别概率为 0。分类模型最后一层如果是 softmax，分类模型也输出一个离散概率分布，表示样本数据属于各个类别的概率。对于单条样本数据，我们希望分类模型输出的概率分0布与数据的真实 label 分布越接近越好。可以看到 cross-entropy 可以很自然的计算这两个分布的距离。因此 cross-entropy 可以作为分类模型的损失函数。

如果我们把样本数据的 label 分布用 p 表示，将模型给出的样本的预测概率分布用 q 表示。对于一条样本则 cross-entropy 可以通过下式计算：

遍历维度 K 中的每个元素 k。其中样本数据的 label 分布 p，它的 entropy 为 0，即 H（p） = 0。在前面的叙述中，我们知道：

可以得到 KL（p||q） = H（p， q），所以 * 对于 multi-class classification 问题，当分类模型的输出层为 softmax 时，损失函数为 cross-entropy 与 KL 散度是等价的，效果相同。* 为了更好的理解我们举一个例子：

例 4：我有一个数据样本，它的 label 经过 one-hot 编码后 p =[0， 1， 0， 0， 0， 0]，分类模型经过 softmax 后输出概率分布 q = [0.1， 0.5， 0.1， 0.1， 0.1， 0.1]，则此时 cross-entropy 和 KL 散度分别为：

我们可以看到，在这种情况下 cross-entropy 和 KL 散度的值相等。当模型通过多次迭代后，性能有所改善，对于同一个样本，输出概率分布 q = [0.05， 0.8， 0.05， 0.05， 0.05， 0.05]，此时 cross-entropy 和 KL 散度分别为：

当模型预测的分布 q 与 label 分布 p 接近时，cross-entropy 和 KL 散度均会减少。

总结上述内容：对于 label 用 one-hot 编码的多分类问题。因为 one-hot 的 entropy 为 0，所以此时损失函数 cross-entropy 与 KL 散度等价。

5. cross-entropy 与 log loss 的关系

这里 log loss 是指 NLLLoss（negative log likelihood loss）。cross-entropy 与 log loss 是不同的，但他们作为多分类模型的损失函数时，计算的量是相互等价的，即 cross-entropy 与 log loss 可以互换。很多在概率框架下的模型，采用 MLE（ maximum likelihood estimation）的方法进行优化。这种方法是找到一组最优的模型参数，使观测到的数据出现的概率最大。在实际使用中，likelihood 容易产生下溢，所以对 likelihood 取了 log 。而且在一般的使用中，大家习惯最小化一个优化目标，于是加了负号，由最大化优化目标变为最小化优化目标。经过这些变换之后便得到 NLLLoss，对于一个二值分类问题具体的表达式：

其中 $I_{y_i}$ =1 为示性函数。可以看到在分类问题下，cross-entropy 与 NLLLoss 是等价的。在 multi-class classification 中，这个关系也成立。因为多分类模型中，只有真实 label 为１，其余 label 为 0，cross-entropy 会退化为 log loss：

其中 N 为样本个数，K 为类别总数。对于多分类问题，因为 cross-entropy 退化为 log loss，所以在 pytorch 中，我们可以看到 nn.CrossEntropyLoss 和 nn.NLLLoss 的实现很像。

6. 结语

本文主要目的是为了理解认识 cross-entropy 作为损失函数的性质和含义。作者能力有限，可能存在很多地方，叙述不清或者不准确。欢迎留言讨论。

参考文献

[1] Jason Brownlee: A Gentle Introduction to Cross-Entropy for MachineLearning,

A Gentle Introduction to Cross-Entropy for Machine Learning - Machine Learning Masterymachine-learning/

[2] Aurélien Géron: A Short Introduction to Entropy, Cross-Entropy and KL-Divergence,

https://www.youtube.com/watch?v=ErfnhcEV1O8

[3] Murphy: Machine Learning A Probabilistic Perspective

团队介绍

「三翼鸟数字化技术平台-智慧设计团队」依托实体建模技术与人工智能技术打造面向家电的智能设计平台，为海尔特色的成套家电和智慧场景提供可视可触的虚拟现实体验。智慧设计团队提供全链路设计，涵盖概念化设计、深化设计、智能仿真、快速报价、模拟施工、快速出图、交易交付、设备检修等关键环节，为全屋家电设计提供一站式解决方案。