https://www.zhihu.com/question/65288314/answer/244557337
有多元高斯的KL散度,不过高维一般可以使用Wasserstein distance。
https://www.cnblogs.com/noahzhixiao/p/10170087.html
交叉熵
交叉熵(crossentropy)也是loss算法的一种,一般用在分类问题上,表达的意识为预测输入样本属于某一类的概率 。其表达式如下,其中y代表真实值分类(0或1),a代表预测值。
交叉熵也是值越小,代表预测结果越准。
注意: 这里用于计算的 a a a也是通过分布统一化处理的(或者是经过Sigmoid函数激活的),取值范围在 0 ~ 1 0~1 0~1之间。如果真实值和预测值都是1,前面一项 y ∗ l n ( a ) y*ln(a) y∗ln(a)就是 1 ∗ l n ( 1 ) 1*ln(1) 1∗ln(1)等于0,后一项 ( 1 − y ) l n ( 1 − a ) (1-y)ln(1-a) (1−y)ln(1−a)也就是 0 ∗ l n ( 0 ) 0*ln(0) 0∗ln(0)等于0,loss为0,反之loss函数为其他数。
损失函数的选取取决于输入标签数据的类型:如果输入的是实数、无界的值,损失函数使用平方差;如果输入标签是位矢量(分类标志),使用交叉熵会更适合。
实例:交叉熵实验
交叉熵这个比较生僻的术语,在深度学习领域中却是最常见的。由于其常用性,在TensorFlow中会被封装成多个版本,有的公式里直接带了交叉熵,有的需要自己单独求出。
案例描述
下面一段代码,假设有一个标签 labels 和一个网络输出值 logits。
这个案例就是以这两个值来进行以下 3 次实验:
(1)两次 softmax 实验:将输出值 logits 分别进行 1 次和 2 次 softmax,观察两次的区别及意义;
(2)观察交叉熵:将步骤(1)中的两个值分别进行softmax_cross_entropy_with_logits,观察区别;
(3)自建公式实验:将做两次 softmax 的值放到自建组合的公式里得到正确的值。
代码:
import tensorflow as tf
labels =