一文搞懂交叉熵在机器学习中的使用，透彻理解交叉熵背后的直觉
作者 | 田思洋（北京科技大学在读博士生，主要研究方向图像识别，表面检测）
▌关于交叉熵在loss函数中使用的理解
交叉熵（cross entropy）是深度学习中常用的一个概念，一般用来求目标与预测值之间的差距。以前做一些分类问题的时候，没有过多的注意，直接调用现成的库，用起来也比较方便。最近开始研究起对抗生成网络（GANs），用到了交叉熵，发现自己对交叉熵的理解有些模糊，不够深入。遂花了几天的时间从头梳理了一下相关知识点，才算透彻的理解了，特地记录下来，以便日后查阅。
信息论
交叉熵是信息论中的一个概念，要想了解交叉熵的本质，需要先从最基本的概念讲起。
1 信息量
首先是信息量。假设我们听到了两件事，分别如下：
事件A：巴西队进入了2018世界杯决赛圈。
事件B：中国队进入了2018世界杯决赛圈。
仅凭直觉来说，显而易见事件B的信息量比事件A的信息量要大。究其原因，是因为事件A发生的概率很大，事件B发生的概率很小。所以当越不可能的事件发生了，我们获取到的信息量就越大。越可能发生的事件发生了，我们获取到的信息量就越小。那么信息量应该和事件发生的概率有关。
假设X是一个离散型随机变量，其取值集合为χ,概率分布函数，定义事件
的信息量为：
由于是概率所以的取值范围是[0,1],绘制为图形如下：
可见该函数符合我们对信息量的直觉
2 熵
考虑另一个问题，对于某个事件，有n种可能性，每一种可能性都有一个概率p(xi)。
这样就可以计算出某一种可能性的信息量。举一个例子，假设你拿出了你的电脑，按下开关，会有三种可能性，下表列出了每一种可能的概率及其对应的信息量
注：文中的对数均为自然对数
我们现在有了信息量的定义，而熵用来表示所有信息量的期望，即：
其中n代表所有的n种可能性，所以上面的问题结果就是
然而有一类比较特殊的问题，比如投掷硬币只有两种可能，字朝上或花朝上。买**只有两种可能，中奖或不中奖。我们称之为0-1分布问题（也叫二项分布），对于这类问题，熵的计算方法可以简化为如下算式：
3 相对熵（KL散度）
相对熵又称KL散度,如果我们对于同一个随机变量 x 有两个单独的概率分布 P(x) 和 Q(x)，我们可以使用 KL 散度（Kullback-Leibler (KL) divergence）来衡量这两个分布的差异
*对相对熵的定义
In the context of machine learning, DKL(P‖Q) is often called the information gain achieved if P is used instead of Q.
即如果用P来描述目标问题，而不是用Q来描述目标问题，得到的信息增量。
在机器学习中，P往往用来表示样本的真实分布，比如[1,0,0]表示当前样本属于第一类。Q用来表示模型所预测的分布，比如[0.7,0.2,0.1]
直观的理解就是如果用P来描述样本，那么就非常完美。而用Q来描述样本，虽然可以大致描述，但是不是那么的完美，信息量不足，需要额外的一些“信息增量”才能达到和P一样完美的描述。如果我们的Q通过反复训练，也能完美的描述样本，那么就不再需要额外的“信息增量”，Q等价于P。
KL散度的计算公式：
（3.1）
n为事件的所有可能性。
DKL的值越小，表示q分布和p分布越接近。
4 交叉熵
对式3.1变形可以得到：
等式的前一部分恰巧就是p的熵，等式的后一部分，就是交叉熵：
在机器学习中，我们需要评估label和predicts之间的差距，使用KL散度刚刚好，即，由于KL散度中的前一部分
不变，故在优化过程中，只需要关注交叉熵就可以了。所以一般在机器学习中直接用交叉熵做loss，评估模型。
▌机器学习中交叉熵的应用
1 为什么要用交叉熵做loss函数？
在逻辑回归问题中，常常使用MSE（Mean Squared Error）作为loss函数，比如：
这里的m表示m个样本的，loss为m个样本的loss均值。
MSE在逻辑回归问题中比较好用，那么在分类问题中还是如此么？
让我们来看一下不同loss的函数曲线：
首先所有节点输出都用的softmax
分别拿一个样本来做示例，首先是使用MSE的loss
其中和
都是常数，loss简化为：
取,
绘图如下
显然，这个函数是非凸的，对优化问题来讲，不太好优化，容易陷入局部极值点。
再来看使用交叉熵的loss
由于one-hot标签的特殊性，一个1，剩下全是0，loss可以简化为：
绘制曲线如下：
曲线是一个凸函数，自变量的取值范围是[0,1]。凸函数便于梯度下降反向传播，便于优化。所以一般针对分类问题采用交叉熵作为loss函数
2 交叉熵在单分类问题中的使用
这里的单类别是指，每一张图像样本只能有一个类别，比如只能是狗或只能是猫。
交叉熵在单分类问题上基本是标配的方法
上式为一张样本的loss计算方法。式2.1中n代表着n种类别。
举例说明,比如有如下样本
对应的标签和预测值
那么
对应一个batch的loss就是
m为当前batch的样本数
3 交叉熵在多分类问题中的使用
这里的多类别是指，每一张图像样本可以有多个类别，比如同时包含一只猫和一只狗。
和单分类问题的标签不同，多分类的标签是n-hot。
比如下面这张样本图，即有青蛙，又有老鼠，所以是一个多分类问题。
对应的标签和预测值
值得注意的是，这里的Pred不再是通过softmax计算的了，这里采用的是sigmoid。将每一个节点的输出归一化到[0,1]之间。所有Pred值的和也不再为1。换句话说，就是每一个Label都是独立分布的，相互之间没有影响。所以交叉熵在这里是单独对每一个节点进行计算，每一个节点只有两种可能值，所以是一个二项分布。前面说过对于二项分布这种特殊的分布，熵的计算可以进行简化。
同样的，交叉熵的计算也可以简化，即
注意，上式只是针对一个节点的计算公式。这一点一定要和单分类loss区分开来。
例子中可以计算为：
单张样本的loss即为loss=loss猫+loss蛙+loss鼠
每一个batch的loss就是：
式中m为当前batch中的样本量，n为类别数。
▌总结
路漫漫，要学的东西还有很多啊。
参考：
https://www.zhihu.com/question/65288314/answer/244557337
https://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence
https://jamesmccaffrey.wordpress.com/2013/11/05/why-you-should-use-cross-entropy-error-instead-of-classification-error-or-mean-squared-error-for-neural-network-classifier-training/
来源：田思洋的CSDN博客
https://blog.csdn.net/tsyccnh/article/details/79163834
作者GitHub地址：
https://github.com/tsycnh
——【完】——
AI科技大本营读者群（计算机视觉、机器学习、深度学习、NLP、Python、AI硬件、AI+金融、AI+PM方向）正在招募中，和你志同道合的小伙伴也在这里！添加大本营小助手微信：csdnai，邀你加入读者群，请务必备注姓名，研究方向。
☟☟☟点击 | 阅读原文 | 查看更多精彩内容