如何理解相对熵(KL散度)他和交叉熵(crossentropy)的区别:
- 信息熵,ground truth分布,完美编码.
- 交叉熵,prediction分布,不完美编码
- 相对熵,
交叉熵-信息熵
(交叉熵必定大于信息熵),用来衡量ground truth和prediction这两个分布之间的差异
因为交叉熵必定大于信息熵,若是用交叉熵作为损失,有利于模型预测的分布往真实分布(信息熵)靠近。所以,机器学习里常用交叉熵(crossentropy)来计算分类损失。
而相对熵本来就是一个衡量差异的相对概念,不太适合作为一般的损失函数,个人觉得是因为他在一般分类上优化起来困难(比方说,预测分布和真实分布相差不多的情况,相对熵就很小,但是交叉熵仍旧比较大)
数学不行,只能直觉理解,头疼