机器学习（尤其是分类问题）中，交叉熵损失（CrossEntropyLoss）是最常见的损失函数之一：
Loss=−∑c=1Myclog(y^c) Loss = - \sum_{c=1}^{M}y_c\log(\hat{y}_c) Loss=−c=1∑Myclog(y^c)
本文详细总结一下这个公式是怎么来的，以及深入理解一下交叉熵的本质。
概率分布
根据随机变量的类型，概率分布有连续分布 和离散分布两大类。机器学习领域中，我们通常讨论的是离散分布，比如分类器输出的每个类别的概率：
| Class | 0 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|---|
| Probability | 0.15 | 0.5 | 0.25 | 0.1 | 0.0 |
信息
在信息论中，信息 的本质是消除不确定。一个事件发生的概率越小，它发生时带来的信息量就越大：
| 事件 | 概率 | 信息量 |
|---|---|---|
| "太阳从东边升起" | ≈1.0 | 几乎为0（没什么信息） |
| "明天会下雨"（干旱地区） | 0.01 | 很大（很有信息） |
| "抛硬币正面朝上" | 0.5 | 中等 |
自信息（Self-Information）
对于单个事件xxx，其自信息定义为：
I(x)=−log2P(x)=log21P(x) I(x) = -\log_2 P(x) = \log_2 \frac{1}{P(x)} I(x)=−log2P(x)=log2P(x)1
这个公式来源于对I(x)I(x)I(x)性质的要求：
| 公理 | 数学表达 | 直观解释 |
|---|---|---|
| 非负性 | I(x)≥0I(x) \geq 0I(x)≥0 | 信息量不能为负 |
| 确定性事件无信息 | P(x)=1⇒I(x)=0P(x)=1 \Rightarrow I(x)=0P(x)=1⇒I(x)=0 | 必然事件不提供信息 |
| 独立事件可加 | I(x,y)=I(x)+I(y)I(x,y) = I(x) + I(y)I(x,y)=I(x)+I(y) | 独立事件的信息量相加 |
| 单调性 | P(x)<P(y)⇒I(x)>I(y)P(x) < P(y) \Rightarrow I(x) > I(y)P(x)<P(y)⇒I(x)>I(y) | 概率越小，信息量越大 |
根据独立事件可加性 这个函数方程可以推导出它的解就是对数函数：
I(P)=−k⋅log(P) I(P)=-k\cdot\log(P) I(P)=−k⋅log(P)
其中kkk是常熟，通常取k=1k=1k=1，底数取2（单位是比特bit）或eee（单位是纳特nat）。
信息熵（Entropy）
信息熵是自信息的期望值 ，也就是随机变量每个可能取值的自信息基于其概率的加权平均，表示这个随机变量的平均不确定性：
H(X)=EI(X)=−∑i=1nP(xi)log2P(xi) H(X) = EI(X) = -\sum_{i=1}^{n} P(x_i) \log_2 P(x_i) H(X)=EI(X)=−i=1∑nP(xi)log2P(xi)
假设某个分类任务的其中一个样本真值标注GT为：
| Class | 0 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|---|
| Probability | 0.0 | 0.0 | 0.0 | 1.0 | 0.0 |
而模型预测结果Pred为：
| Class | 0 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|---|
| Probability | 0.15 | 0.2 | 0.25 | 0.1 | 0.3 |
则GT 的信息熵为 −1log(1)=0-1log(1)=0−1log(1)=0，Pred 的信息熵为
−0.15log(0.15)−0.2log(0.2)−0.25log(0.25)−0.1log(0.1)−0.3log(0.3)=2.2282 -0.15\log(0.15)-0.2\log(0.2)-0.25\log(0.25)-0.1\log(0.1)-0.3\log(0.3)=2.2282 −0.15log(0.15)−0.2log(0.2)−0.25log(0.25)−0.1log(0.1)−0.3log(0.3)=2.2282
可以看到，模型预测值的信息熵是很大的，说明其确定性很低。
换个角度理解，GT 分布是完全确定的，描述其分布需要的数据量非常少。而Pred分布非常不确定，描述其分布需要的数据量很大。
交叉熵（CrossEntropy）
信息熵衡量的是一个分布自身的不确定性，而在机器学习中，我们通常需要描述两个分布之间的关系：
- 真实分布P（真实标签的分布）
- 预测分布Q（模型预测的概率分布）
交叉熵描述的就是：用分布Q来编码分布P的数据，平均需要多少bit？其定义是：
H(P,Q)=−∑i=1nP(xi)log2Q(xi) H(P, Q) = -\sum_{i=1}^{n} P(x_i) \log_2 Q(x_i) H(P,Q)=−i=1∑nP(xi)log2Q(xi)
交叉熵与信息熵的关系
H(P,Q)=H(P)+DKL(P∥Q) H(P, Q) = H(P) + D_{KL}(P \parallel Q) H(P,Q)=H(P)+DKL(P∥Q)
其中DKL(P∥Q)D_{KL}(P \parallel Q)DKL(P∥Q)是KL散度（Kullback-Leibler Divergence）：
DKL(P∥Q)=∑iP(xi)logP(xi)Q(xi)=∑iP(xi)logP(xi)−∑iP(xi)logQ(xi) D_{KL}(P \parallel Q) = \sum_i P(x_i) \log \frac{P(x_i)}{Q(x_i)} = \sum_i P(x_i) \log P(x_i) - \sum_i P(x_i) \log Q(x_i) DKL(P∥Q)=i∑P(xi)logQ(xi)P(xi)=i∑P(xi)logP(xi)−i∑P(xi)logQ(xi)
KL散度描述了两个概率分布之间的差异，它是证据深度学习（EDL）的关键概念。