关于交叉熵在loss函数中使用的理解.doc
《关于交叉熵在loss函数中使用的理解.doc》由会员分享,可在线阅读,更多相关《关于交叉熵在loss函数中使用的理解.doc(5页珍藏版)》请在三一文库上搜索。
1、关于交叉熵在loss函数中使用的理解关于交叉熵在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
2、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,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
3、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。买彩票只有两种可能,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
4、 (KL) divergence)来衡量这两个分布的差异维基百科对相对熵的定义In the context of machine learning, DKL(PQ) 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,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 关于 交叉 loss 函数 使用 理解
链接地址:https://www.31doc.com/p-3387952.html