[人工智能]理解「交叉熵」损失函数（包含自信息、信息熵、KL散度、交叉熵概念整理）

引言

KL散度、交叉熵通常被用来衡量两个分布之间的差异程度，可以用于衡量模型的“损失”。

要深入理解KL散度和交叉熵，首先要从信息论中的基础概念入手。

自信息（self-information）

假如有两条消息，一条内容是“今天太阳从东边升起”，另一条内容是“今天有日食”。

显然后一条消息的发生概率低，消息内容也更有信息量。

信息论的目标之一就是用最少的编码来传递信息。概率越低的事件，对应更高的信息量，概率越高的事件，对应更低的信息量。

所以在信息论中，把发生随机事件$X=x$时的信息量进行量化，定义为自信息¹：
$$I(x)=log(\frac{1}{P(x)})=?log(P(x))$$

如果log的底数时e，$I(x)$单位是奈特（nats）；
如果底数是2，则$I(x)$的单位是比特（bit）或香农（shannons）。

信息熵/香农熵（Entropy）

自信息反映的是单个随机事件的信息量，如果要反映整个随机变量分布的信息量，可以用数学期望来衡量这个分布的信息总量，这就是香农熵，又称为信息熵：
$$H(x)={\mathbb{E}}_{\mathbf{x}\text{~}P}[I(x))]=?{\mathbb{E}}_{\mathbf{x}\text{~}P}[logP(x)]$$

信息熵给出了对分布为P的符号进行编码时的最优平均编码长度²。单位与自信息相同。

KL散度（Kullback-Leibler（KL）divergence）

KL散度也叫KL距离或相对熵（Relative Entropy），用来表达以分布Q来近似分布P时的信息损失量。

$$D_{KL}(P,Q)={\mathbb{E}}_{\mathbf{x}\text{~}P}(logP(x)?logQ(x))$$
在机器学习中，通常用KL散度来衡量训练数据上的经验分布${\hat{P}}_{data}$和模型分布$P_{model}$之间的差异¹。
$$D_{KL}({\hat{P}}_{data}||P_{model})={\mathbb{E}}_{\mathbf{x}\text{~}{\hat{P}}_{data}}(log{\hat{P}}_{data}(\mathbf{x})?log{P}_{model}(\mathbf{x}))$$

交叉熵（cross-entropy）

交叉熵$H(P,Q)$与KL散度相比，少一项$H(P)$：

$$H(P,Q)=?{\mathbb{E}}_{\mathbf{x}\text{~}P}logQ(x)$$
在给定分布P的情况下，如果分布Q和P越接近，交叉熵越小；如果分布Q和P越远，交叉熵就越大。

由于训练数据上的经验分布${\hat{P}}_{data}$是不变的，所以最小化两个分布之间的差异性，就相当于最小化两个分布之间的交叉熵：
$$H({\hat{P}}_{data},P_{model})=?{\mathbb{E}}_{\mathbf{x}\text{~}{\hat{P}}_{data}}log{P}_{model}(\mathbf{x}))$$

分类任务中的交叉熵损失

交叉熵可以衡量模型输出和标签之间的距离，所以机器学习、深度学习都常用交叉熵作为损失函数。

以分类任务为例，标签是$[0,0,1{]}^T$，而模型的输出概率是 $[0.3,0.3,0.4{]}^T$，则交叉熵损失为$?(0\times log(0.3)+0\times log(0.3)+1\times log(0.4))=?log(0.4)$。²

为了减少模型输出和标签之间的距离，模型学习的准则就是找到使经验风险最小化的参数。

经验风险用训练集$D$上的平均损失来表示：
$$R_D(\theta )=\frac{1}{N}\sum _{n=1}^{N}L(y^{(n)},f({\mathbf{x}}^{(n)};\theta ))=\frac{1}{N}\sum _{n=1}^N(?log{f}_{y^{(n)}}({\mathbf{x}}^{(n)};\theta ))$$

pytorch代码示例

pytorch中交叉熵损失对应的实现是torch.nn.CrossEntropyLoss³。

torch.nn.CrossEntropyLoss( weight=None , size_average=None , ignore_index=-100 , reduce=None , reduction=‘mean’ )

• 参数weight：（可选）是为每个类分配权重的一维张量，如果给定，必须是大小为C的张量，C表示类别数量（num of classes）。

前向计算：

• 输入参数Input：形状为 (N, C) ，或(N, C, d_1, d_2, ..., d_K) ，$K\ge 1$，C表示类别数量（num of classes），N表示minibatch
• 输入参数Target：形状为 (N) 或(N, d_1, d_2, ..., d_K) ，每个值满足：$0\le \text{targets}[i]\le C?1$
• 输出Output：标量，形状为(N)，或(N, d_1, d_2, ..., d_K)，$K\ge 1$
  如果reduction是'none'，输出和target的形状相同。

CrossEntropyLoss结合了LogSoftmax⁴ + NLLLoss⁵，通过在网络的最后一层添加LogSoftmax层，可以轻松获得神经网络中的对数概率 。如果不想添加额外的层，可以直接用CrossEntropyLoss。

以上一节的分类任务为例，标签是$[0,0,1{]}^T$，而模型输出是 $[0.3,0.3,0.4{]}^T$，计算一下nn.CrossEntropyLoss的损失是多少：

import torch.nn as nn

criterion = nn.CrossEntropyLoss()

# 获取数据，前向计算，此处略... outputs = net(inputs)
outputs = torch.tensor([[0.3,0.3,0.4]])#shape：(N, C)，C是类别数
labels = torch.tensor([1])#shape：(N)
loss = criterion(outputs, labels)
print(loss) 

输出：0.9162907318741551，与前面计算的-log(0.4)的结果一致。

小结

简单总结一下本文涉及的基本概念：

• 自信息：单个随机事件的信息量
• 信息熵：整个随机分布的信息量
• KL散度：训练数据上的分布和模型分布之间的差距
• 交叉熵：两个分布之间差异性的变量部分，常用于损失函数

如果本文对你有帮助的话，欢迎一键三连支持下博主~