【交叉熵】以e为底，-logx，x属于0-1的函数图像是怎样的

已知：softmax后得到概率P(0-1之间)，取P的以e为底的负对数，就是交叉熵

我们要讨论的是函数$f(x)=-{\log }_e(x)$，其中${\log }_e(x)$表示以$e$为底的对数函数。

首先，让我们看看这个函数的特点：

1. 定义域：

• 对数函数${\log }_e(x)$的定义域是$x>0$，因此$-{\log }_e(x)$的定义域也是$x>0$。
• $x$属于$(0,1)$，所以我们只关心这个区间上的图像。

2. 函数行为：

• 当$x\to 0^{+}$时，${\log }_e(x)\to -\infty$，所以$-{\log }_e(x)\to +\infty$。这意味着当$x$趋近于零时，函数值会趋向于无穷大。

• 当$x=1$时，${\log }_e(1)=0$，因此$-{\log }_e(1)=0$。这意味着在$x=1$时，函数值为 0。

• 单调性： 对于$0<x<1$，${\log }_e(x)$是负值，并且随着$x$的增加，${\log }_e(x)$向 0 逼近，因此$-{\log }_e(x)$是一个递减的函数。

3. 图像特征：

• 左端点： 当$x$趋近于 0 时，函数值趋向于无穷大。
• 右端点： 当$x=1$时，函数值为 0。
• 单调性： 在区间$(0,1)$内，函数是递减的。

4. 图像大致描述：

在区间$(0,1)$内，函数$-{\log }_e(x)$从$+\infty$逐渐递减，直到$x=1$时，函数值为 0。整体图像是一条从左上方到右下方的下降曲线。

5. 绘制图像：

如果用图像表示，可以想象它的形状如下：

• 当$x$非常接近 0 时，函数值接近于正无穷。
• 随着$x$增大，函数值逐渐减小，最终在$x=1$时函数值为 0。

这是一个类似于对数函数翻转的图像，在$x=1$处触碰$y=0$的水平线，并且在$x$趋近于 0 时，图像迅速上升至无穷大。

6. 绘图代码：

如果你想使用 Python 来绘制这个函数图像，可以使用 matplotlib 来实现：

import numpy as np
import matplotlib.pyplot as plt

# 定义x的范围 (0, 1) 之间，避免x=0导致对数无法计算
x = np.linspace(0.01, 1, 400)

# 计算 -log(x)
y = -np.log(x)

# 绘制图像
plt.plot(x, y, label=r'$- \log_e(x)$')
plt.axhline(0, color='black',linewidth=1)  # x轴
plt.axvline(1, color='black',linewidth=1)  # x=1的竖线
plt.title(r'Plot of$- \log_e(x)$for$x \in (0, 1)$')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.grid(True)
plt.show()