交叉熵损失函数原理详解

之前在代码中经常看见交叉熵损失函数(CrossEntropy Loss)，只知道它是分类问题中经常使用的一种损失函数，对于其内部的原理总是模模糊糊，而且一般使用交叉熵作为损失函数时，在模型的输出层总会接一个softmax函数，至于为什么要怎么做也是不懂，所以专门花了一些时间打算从原理入手，搞懂它，故在此写一篇博客进行总结，以便以后翻阅。

交叉熵是信息论中的一个重要概念，主要用于度量两个概率分布间的差异性，要理解交叉熵，需要先了解下面几个概念。

信息奠基人香农（Shannon）认为“信息是用来消除随机不确定性的东西”，也就是说衡量信息量的大小就是看这个信息消除不确定性的程度。

“太阳从东边升起”，这条信息并没有减少不确定性，因为太阳肯定是从东边升起的，这是一句废话，信息量为0。

”2018年中国队成功进入世界杯“，从直觉上来看，这句话具有很大的信息量。因为中国队进入世界杯的不确定性因素很大，而这句话消除了进入世界杯的不确定性，所以按照定义，这句话的信息量很大。

根据上述可总结如下：信息量的大小与信息发生的概率成反比。概率越大，信息量越小。概率越小，信息量越大。

设某一事件发生的概率为P(x)，其信息量表示为：
I(x)=−log⁡(P(x)) I\left ( x \right ) = -\log\left ( P\left ( x \right ) \right ) I(x)=−log(P(x))
其中I(x)I\left ( x \right )I(x)表示信息量，这里log⁡\loglog表示以e为底的自然对数。

信息熵也被称为熵，用来表示所有信息量的期望。

期望是试验中每次可能结果的概率乘以其结果的总和。

所以信息量的熵可表示为：（这里的XXX是一个离散型随机变量）
H(X)=−∑i=1nP(xi)log⁡(P(xi)))(X=x1,x2,x3...,xn) H\left ( \mathbf{X} \right ) = -\sum \limits_{i=1}^n P(x_{i}) \log \left ( P \left ( x_{i} \right ))) \qquad ( \mathbf{X}= x_{1},x_{2},x_{3}...,x_{n} \right) H(X)=−i=1∑n​P(xi​)log(P(xi​)))(X=x1​,x2​,x3​...,xn​)
使用明天的天气概率来计算其信息熵：

H(X)=−(0.5∗log⁡(0.5)+0.2∗log⁡(0.2)+0.3∗log⁡(0.3)) H\left ( \mathbf{X} \right ) = -\left ( 0.5 * \log \left ( 0.5 \right ) + 0.2 * \log \left ( 0.2 \right ) + 0.3 * \log \left ( 0.3 \right ) \right) H(X)=−(0.5∗log(0.5)+0.2∗log(0.2)+0.3∗log(0.3))

对于0-1分布的问题，由于其结果只用两种情况，是或不是，设某一件事情发生的概率为P(x)P\left ( x \right )P(x)，则另一件事情发生的概率为1−P(x)1-P\left ( x \right )1−P(x)，所以对于0-1分布的问题，计算熵的公式可以简化如下：
H(X)=−∑n=1nP(xilog⁡(P(xi)))=−[P(x)log⁡(P(x))+(1−P(x))log⁡(1−P(x))]=−P(x)log⁡(P(x))−(1−P(x))log⁡(1−P(x)) H\left ( \mathbf{X} \right ) = -\sum \limits_{n=1}^n P(x_{i}\log \left ( P \left ( x_{i} \right )) \right) \\ = -\left [ P\left ( x \right) \log \left ( P\left ( x \right ) \right ) + \left ( 1 - P\left ( x \right ) \right) \log \left ( 1-P\left ( x \right ) \right ) \right] \\ = -P\left ( x \right) \log \left ( P\left ( x \right ) \right ) - \left ( 1 - P\left ( x \right ) \right) \log \left ( 1-P\left ( x \right ) \right) H(X)=−n=1∑n​P(xi​log(P(xi​)))=−[P(x)log(P(x))+(1−P(x))log(1−P(x))]=−P(x)log(P(x))−(1−P(x))log(1−P(x))

如果对于同一个随机变量XXX有两个单独的概率分布P(x)P\left(x\right)P(x)和Q(x)Q\left(x\right)Q(x)，则我们可以使用KL散度来衡量这两个概率分布之间的差异。

下面直接列出公式，再举例子加以说明。
DKL(p∣∣q)=∑i=1np(xi)log⁡(p(xi)q(xi)) D_{KL}\left ( p || q \right) = \sum \limits_{i=1}^n p\left ( x_{i}\right ) \log \left ( \frac{p\left ( x_{i} \right )}{q\left ( x_{i} \right )} \right ) DKL​(p∣∣q)=i=1∑n​p(xi​)log(q(xi​)p(xi​)​)
在机器学习中，常常使用P(x)P\left(x\right)P(x)来表示样本的真实分布，Q(x)Q \left(x\right)Q(x)来表示模型所预测的分布，比如在一个三分类任务中（例如，猫狗马分类器），x1,x2,x3x_{1}, x_{2}, x_{3}x1​,x2​,x3​分别代表猫，狗，马，例如一张猫的图片真实分布P(X)=[1,0,0]P\left(X\right) = [1, 0, 0]P(X)=[1,0,0], 预测分布Q(X)=[0.7,0.2,0.1]Q\left(X\right) = [0.7, 0.2, 0.1]Q(X)=[0.7,0.2,0.1]，计算KL散度：
DKL(p∣∣q)=∑i=1np(xi)log⁡(p(xi)q(xi))=p(x1)log⁡(p(x1)q(x1))+p(x2)log⁡(p(x2)q(x2))+p(x3)log⁡(p(x3)q(x3))=1∗log⁡(10.7)=0.36 D_{KL}\left ( p || q \right) = \sum \limits_{i=1}^n p\left ( x_{i}\right ) \log \left ( \frac{p\left ( x_{i} \right )}{q\left ( x_{i} \right )} \right ) \\ = p\left ( x_{1}\right ) \log \left ( \frac{p\left ( x_{1} \right )}{q\left ( x_{1} \right )} \right ) + p\left ( x_{2}\right ) \log \left ( \frac{p\left ( x_{2} \right )}{q\left ( x_{2} \right )} \right ) + p\left ( x_{3}\right ) \log \left ( \frac{p\left ( x_{3} \right )}{q\left ( x_{3} \right )} \right ) \\ = 1 * \log \left ( \frac{1}{0.7} \right ) = 0.36 DKL​(p∣∣q)=i=1∑n​p(xi​)log(q(xi​)p(xi​)​)=p(x1​)log(q(x1​)p(x1​)​)+p(x2​)log(q(x2​)p(x2​)​)+p(x3​)log(q(x3​)p(x3​)​)=1∗log(0.71​)=0.36
KL散度越小，表示P(x)P\left(x\right)P(x)与Q(x)Q\left(x\right)Q(x)的分布更加接近，可以通过反复训练Q(x)Q\left(x \right)Q(x)来使Q(x)Q\left(x \right)Q(x)的分布逼近P(x)P\left(x \right)P(x)。

首先将KL散度公式拆开：
DKL(p∣∣q)=∑i=1np(xi)log⁡(p(xi)q(xi))=∑i=1np(xi)log(p(xi))−∑i=1np(xi)log(q(xi))=−H(p(x))+[−∑i=1np(xi)log(q(xi))] D_{KL}\left ( p || q \right) = \sum \limits_{i=1}^n p\left ( x_{i}\right ) \log \left ( \frac{p\left ( x_{i} \right )}{q\left ( x_{i} \right )} \right ) \\ = \sum \limits_{i=1}^n p \left (x_{i}\right) log \left(p \left (x_{i}\right)\right) - \sum \limits_{i=1}^n p \left (x_{i}\right) log \left(q \left (x_{i}\right)\right) \\ = -H \left (p \left(x \right) \right) + \left [-\sum \limits_{i=1}^n p \left (x_{i}\right) log \left(q \left (x_{i}\right)\right) \right] DKL​(p∣∣q)=i=1∑n​p(xi​)log(q(xi​)p(xi​)​)=i=1∑n​p(xi​)log(p(xi​))−i=1∑n​p(xi​)log(q(xi​))=−H(p(x))+[−i=1∑n​p(xi​)log(q(xi​))]
前者H(p(x))H \left (p \left (x \right)\right)H(p(x))表示信息熵，后者即为交叉熵，KL散度 = 交叉熵 - 信息熵

交叉熵公式表示为：
H(p,q)=−∑i=1np(xi)log(q(xi)) H \left (p, q\right) = -\sum \limits_{i=1}^n p \left (x_{i}\right) log \left(q \left (x_{i}\right)\right) H(p,q)=−i=1∑n​p(xi​)log(q(xi​))
在机器学习训练网络时，输入数据与标签常常已经确定，那么真实概率分布P(x)P\left(x \right)P(x)也就确定下来了，所以信息熵在这里就是一个常量。由于KL散度的值表示真实概率分布P(x)P\left(x\right)P(x)与预测概率分布Q(x)Q \left(x\right)Q(x)之间的差异，值越小表示预测的结果越好，所以需要最小化KL散度，而交叉熵等于KL散度加上一个常量（信息熵），且公式相比KL散度更加容易计算，所以在机器学习中常常使用交叉熵损失函数来计算loss就行了。

在线性回归问题中，常常使用MSE(Mean Squared Error)作为loss函数，而在分类问题中常常使用交叉熵作为loss函数。

下面通过一个例子来说明如何计算交叉熵损失值。

假设我们输入一张狗的图片，标签与预测值如下：

那么loss
loss=−(0∗log⁡(0.2)+1∗log⁡(0.7)+0∗log⁡(0.1))=0.36 loss = -\left ( 0 * \log \left ( 0.2 \right ) + 1 * \log \left ( 0.7 \right ) + 0 * \log \left ( 0.1 \right )\right) = 0.36 loss=−(0∗log(0.2)+1∗log(0.7)+0∗log(0.1))=0.36
一个batch的loss为
loss=−1m∑i=1m∑j=1np(xij)log(q(xij)) loss = -\frac{1}{m}\sum \limits_{i=1}^m \sum \limits_{j=1}^n p \left (x_{ij}\right) log \left(q \left (x_{ij}\right)\right) loss=−m1​i=1∑m​j=1∑n​p(xij​)log(q(xij​))
其中m表示样本个数。

交叉熵能够衡量同一个随机变量中的两个不同概率分布的差异程度，在机器学习中就表示为真实概率分布与预测概率分布之间的差异。交叉熵的值越小，模型预测效果就越好。

交叉熵在分类问题中常常与softmax是标配，softmax将输出的结果进行处理，使其多个分类的预测值和为1，再通过交叉熵来计算损失。

https://blog.csdn.net/tsyccnh/article/details/79163834

损失 函数 交叉熵 交叉 损失函数