KL散度
定义
KL(Kullback-Leibler divergence)散度用来描述两个概率分布P和Q的差异的一种方法,也叫做相对熵(relative entropy)。
特性
1.KL具有非对称性,即D(P||Q) ≠ D(Q||P)。
2.非负性:因为对数函数是凸函数,所以 KL散度的值为非负数。
3.KL散度不满足三角不等式: KL(A,B) > KL(A,C)+KL(C,B)
公式
离散
连续
机器学习
在机器学习领域,是用来度量两个函数的相似程度或者相近程度。
JS散度
出现的原因
KL散度时不对称的,训练神经网络会因为不同的顺序造成不一样的训练结果,为了克服这个问题,提出了JS散度。
公式
特性
1.对称
2.非负
3.值域范围
JS散度的值域范围是[0,1],相同则是0,相反为1。相较于KL,对相似度的判别更确切了。
问题
当两个概率分布不一样的时候,它们的值是不是会随着距离的变大而变大。两个概率分布完全不一样的时候,距离是log(2)
交叉熵(Cross Entropy)
定义
交叉熵描述了两个概率分布之间的距离,当交叉熵越小说明二者之间越接近。
尽管交叉熵刻画的是两个概率分布之间的距离,但是神经网络的输出却不一定是一个概率分布。为此我们常常用Softmax回归将神经网络前向传播得到的结果变成概率分布。
公式
在神经网络中,交叉熵可以作为损失函数,因为它可以衡量P和Q的相似性。