当前位置：首页 > wzjs >正文

天津网站建设制作在线正能量网站地址链接免费

wzjs 2025/9/15 16:44:40

天津网站建设制作,在线正能量网站地址链接免费,建设网站公司选哪家好,网站建设中显示虚拟机损失函数的目的是为了定量描述不同模型（例如神经网络模型和人脑模型）的差异。交叉熵，顾名思义，与熵有关，先把模型换成熵这么一个数值，然后用这个数值比较不同模型之间的差异。为什么要做这一步转换&…

损失函数的目的是为了定量描述不同模型（例如神经网络模型和人脑模型）的差异。

交叉熵，顾名思义，与熵有关，先把模型换成熵这么一个数值，然后用这个数值比较不同模型之间的差异。

为什么要做这一步转换，原因是要直接比较两个模型，前提是两个模型是同一种类型，比如都是高斯分布，我们可以比较均值和方差。但现实中，我们要比较的两种模型往往不是同一种类型，甚至我们都不知道是什么类型。所以我们通过熵实现不同类型概率模型的公度。

熵的前置知识

1. 信息量

衡量一个信息有没有信息量，不是看这个消息你知不知道，关键是看能带来多少确定性，也可以说能消除多少不确定性。

例如有8支队伍参加比赛，其中一支队伍名为“AI小队”。理论上来说，“AI小队”夺冠概率为1/8。但如果告诉你“AI小队”夺冠了，夺冠概率从1/8变为百分之百；但如果告诉你“AI小队”进入总决赛了，夺冠概率从1/8变为1/2，但直观上感觉这个信息量不如夺冠信息的信息量高。

通过上述例子我们大概能明白不同的信息，含有的信息量是不同的。那如何定义信息量呢？

***题外话***

所谓定义，就是人为规定它的意义，给出一个表达式，至于这个表达式为什么这么写而不那么写，原因是最先提出的人就是这么写的，并且逻辑得到了自洽，后人为了统一标准，便沿用了这个定义。你也可以给出自己的定义，但为了让体系自洽，可能其他与该定义相关的表达式就要重写。

首先，从直观上来说，一件事发生的概率越低，其包含的信息量越大；反之一件事发生的概率越大，包含的信息量越少。例如，我告诉你太阳每天东升西落，这对你来说没有任何信息量，因为这件事情的概率是1；但假如我告诉你下一期双色球中奖号码是某某某（假如是正确的话），那这个消息的信息量就很大了。因此信息量与事件发生的概率是相关的。

其次，假如一个事件可以被分解成多个事件，该事件的信息量等于多个事件信息量的和。现在我们假设 $f(x)$ 是信息量的一个表达式，根据上面举的例子，该表达式应该满足如下要求：

$f$ (AI小队夺冠（进决赛且赢得决赛）) = $f$ （AI小队进入决赛）+ $f$ （AI小队进入决赛后还赢了决赛）

$f(\frac{1}{8})=f(\frac{1}{4} \times \frac{1}{2})=f(\frac{1}{4})+f(\frac{1}{2})$

乘法变加法，熟悉的感觉，是log！！！信息量能不能定义成 $log(P_{i})$ 呢，其中 $P_{i}$ 为事件 $i$ 发生的概率。如此以来第二个条件满足了，但是这样的话信息量会随着事件发生概率的增大而增大，那怎么办呢？加个负号。

所以如果我们把一个事件的信息量定义为如下公式，逻辑就能自洽：

$H_{i}=-log(P_{i})$

通常我们log以2为底，计算出的信息量的单位是比特（bit）。原因是计算机是二进制的，我们的信息量衡量了一个信息的最短编码（不理解的同学可忽略）。

2.熵

通过上面的分析，我们给出了信息量的定义。信息量可以理解成一个事件从原来的不确定性变得确定难度有多大，信息量比较大说明难度比较高。熵的理解也类似，不过熵衡量的不是某个具体事件，而是一个系统中所有的事件，即一个系统从原来的不确定到确定，其难度有多大。

我们可以把一场比赛看作一个系统。假如两个实力相近的队伍比赛，两只队伍胜利的概率都是 $\frac{1}{2}$ ，那这两只队伍赢球的信息量都是：

$I=-log_{2}\frac{1}{2}=1$

但如果是两只实力悬殊的队伍比赛，队伍A胜利的概率是99%，队伍B胜利的概率为1%，那两只队伍赢球的信息量分别为：

$I_{A}=-log_{2}\frac{99}{100}\approx 0.0145$

$I_{B}=-log_{2}\frac{1}{100}\approx 6.6439$

那球赛的熵是两只队伍赢球的信息量的加和么？

显然不是，因为如果是加和的话，实力悬殊队伍的比赛结果相对来说是确定的，大概率是实力强的队伍赢得比赛，所以它的不确定性是低的，但此时它的熵却是高的，所以熵并不是信息量的简单加和。

我们需要考虑每个事件对系统贡献的信息量，事件只有发生了，才会贡献信息量，所以系统的熵定义为信息量的期望：

$H:= E(I)\\\\=\sum _{i=1}^{m}p_{i}I_{i}\\\\=\sum _{i=1}^{m}p_{i}(-log_{2}p_{i})\\\\=-\sum _{i=1}^{m}p_{i}\cdot log_{2}p_{i}$

3.相对熵（KL散度）

我们的目的是要比较两个模型，最简单的方法就是把概率模型的熵计算出来然后直接比较熵的数值，但并不是所有概率模型我们都能求熵。因此引出另外一个概念——相对熵，也叫KL散度，其定义如下：

$D_{KL}(P||Q)\\\\:=\sum _{i=1}^{m}p_{i}\cdot (I_{Q_{i}}-I_{P_{i}})\\\\=\sum _{i=1}^{m}p_{i}\cdot((-log_{2}q_{i})-(-log_{2}p_{i}))\\\\=\sum _{i=1}^{m}p_{i}\cdot(-log_{2}q_{i})-\sum _{i=1}^{m}p_{i}\cdot(-log_{2}p_{i})\\\\=H(P,Q)-H(P)$

KL散度等于0表明两个分布是一样的，不等于0表示两者有差别。其中 $Q$ 和 $P$ 分别表示两个概率分布， $D_{KL}(P||Q)$ 表示以 $P$ 为基准（ $P$ 在前），用 $Q$ 近似 $P$ 式损失了多少信息， $I_{Q_{i}}$ 表示某个事件在系统Q中的信息量， $H(P,Q)$ 表示交叉熵， $H(P)$ 表示概率分布 $P$ 的熵，我们以 $P$ 为基准的话，这个值是不会变的。

由公式可知， $H(P,Q)$ 和 $H(P)$ 都是大于0的，但是两者谁更大呢？这是很重要的，因为如果KL散度大于零，要使得KL越接近于0，就得让交叉熵越小；如果KL散度小于0，要使得KL散度越接近于0，就得让交叉熵越大。

吉布斯不等式已经证明KL散度是恒大于等于0的（感兴趣的小伙伴可自行检索证明过程），那现在我们如果想让概率分布 $Q$ 接近 $P$ ，只需要最小化两者的交叉熵即可，也就是说交叉熵可作为损失函数对模型进行优化。

通过前置知识，我们引出了交叉熵，并且明白了为什么交叉熵可以衡量两个概率分布之间的差异，也就是说可以用作损失函数。那么在神经网络中，我们该如何利用交叉熵呢？首先我们回顾一下交叉熵的定义：

$H(P,Q)=\sum _{i=1}^{m}p_{i}\cdot(-log_{2}q_{i})$

我们只需要用训练神经网络场景中的变量替换公式中的变量即可。

$m$ 表示分类的个数，在判断图像是不是猫的二分类任务中， $i$ 的取值只有两个，即 $i=1$ 表示图像是猫， $i=2$ 表示图像不是猫；对应的， $p_{i}$ 表示每个事件发生的概率，即当前图像是猫的概率和不是猫的概率，在模型训练场景中，我们以人脑中的概率模型为基准，即以标签为基准，所以 $p_{1}=y$ ， $p_{2}=(1-y)$ ，其中 $y$ 表示人类给图像的标签，是猫为1，不是猫为0； $q$ 则对应模型预测的当前图像是猫的概率，即 $\widehat{y}$ ，而不是猫的概率就是 $(1-\widehat{y})$ ，所以交叉熵用于神经网络中的形式如下：