交叉熵公式推导

信息论基础

熵的定义

熵是信息论中的基本概念，用于衡量随机变量的不确定性。对于离散随机变量X，其概率分布为p(x)，熵的定义为：

$H(X) = -\sum_{x} p(x)\log p(x)$

其中，p(x)是随机变量X取值为x的概率，log p(x)通常使用以2为底的对数（也可以使用自然对数，只差一个常数因子）。

KL散度（相对熵）

KL散度（Kullback-Leibler divergence）用于衡量两个概率分布之间的差异。对于离散随机变量X，有两个概率分布p(x)和q(x)，KL散度定义为：

$D_{KL}(p||q) = \sum_{x} p(x)\log\frac{p(x)}{q(x)}$

KL散度具有非负性，即$D_{KL}(p||q) \geq 0$，当且仅当p=q时，$D_{KL}(p||q)=0$。

交叉熵的推导

从KL散度到交叉熵

首先，展开KL散度的表达式：

D_{KL}(p||q) &= \sum_{x} p(x)\log\frac{p(x)}{q(x)} \\ &= \sum_{x} p(x)[\log p(x) - \log q(x)] \\ &= \sum_{x} p(x)\log p(x) - \sum_{x} p(x)\log q(x) \\ &= -H(X) - \sum_{x} p(x)\log q(x) \end{align}$$ 其中，$H(X) = -\sum_{x} p(x)\log p(x)$是熵。 从上面的表达式，我们可以得到： $$\sum_{x} p(x)\log q(x) = -H(X) - D_{KL}(p||q)$$ ### 交叉熵的定义 交叉熵$H(p,q)$定义为： $$H(p,q) = -\sum_{x} p(x)\log q(x)$$ 因此，我们可以得到交叉熵与KL散度的关系： $$H(p,q) = H(X) + D_{KL}(p||q)$$ 这表明**交叉熵等于真实分布p的熵加上p与q之间的KL散度**。 ```mermaid --- title: 交叉熵与熵、KL散度的关系 --- graph TD A["真实分布 p"] --> B["熵 H(p) = -∑p(x)log p(x)"] A --> C["模型预测分布 q"] C --> D["交叉熵 H(p,q) = -∑p(x)log q(x)"] B --> E["KL散度 D_KL(p||q) = H(p,q) - H(p)"] D --> E E --> F["最小化交叉熵等价于最小化KL散度"] ``` ## 交叉熵在机器学习中的应用 ### 二分类问题的交叉熵 在二分类问题中，通常使用sigmoid函数将模型的输出转换为概率。假设真实标签为y（0或1），模型预测为正类的概率为ŷ，则交叉熵损失为： $$L = -[y \log ŷ + (1-y) \log (1-ŷ)]$$ ### 多分类问题的交叉熵 在多分类问题中，通常使用softmax函数将模型的输出转换为概率分布。假设有K个类别，真实标签为y（one-hot编码），模型预测的概率分布为q，则交叉熵损失为： $$L = -\sum_{k=1}^{K} y_k \log q_k$$ 其中，$y_k$是真实标签的第k个分量（通常为1表示正确类别，0表示其他类别），$q_k$是模型预测的属于类别k的概率。 ```mermaid --- title: 交叉熵在机器学习中的应用流程 --- flowchart TD A["输入数据"] --> B["模型预测"] B --> C["Softmax/Sigmoid激活函数"] C --> D["概率分布 q"] D --> E["计算交叉熵损失 H(p,q) = -∑p(x)log q(x)"] E --> F["反向传播"] F --> G["更新模型参数"] G --> B ``` ### 交叉熵与最大似然估计的关系 交叉熵损失函数与最大似然估计有密切关系。在分类问题中，使用交叉熵作为损失函数等价于最大化模型预测的概率分布与真实分布之间的似然。 假设我们有N个独立同分布的样本，真实分布为p，模型预测分布为q，则似然函数为： $$L = \prod_{i=1}^{N} \prod_{k=1}^{K} q_k(x_i)^{p_k(x_i)}$$ 对数似然为： $$\log L = \sum_{i=1}^{N} \sum_{k=1}^{K} p_k(x_i) \log q_k(x_i)$$ 最大化对数似然等价于最小化负对数似然： $$-\min \log L = -\sum_{i=1}^{N} \sum_{k=1}^{K} p_k(x_i) \log q_k(x_i)$$ 这正是交叉熵损失函数（对于N个样本的平均）。 ## 交叉熵的直观理解 交叉熵可以理解为：**使用编码q（模型预测）来编码来自分布p（真实分布）的信息时，所需的平均编码长度**。当p和q完全相同时，交叉熵等于熵，此时编码效率最高。当p和q不同时，交叉熵大于熵，多出的部分就是KL散度，表示编码效率的损失。 在机器学习中，我们希望模型预测的分布q尽可能接近真实分布p，因此最小化交叉熵等价于最小化KL散度（因为熵H(X)是固定的）。 ## 交叉熵的数学性质 交叉熵具有以下数学性质： 1. **非负性**：$H(p,q) \geq 0$ 2. **最小值**：当p=q时，$H(p,q)$取得最小值$H(p)$ 3. **凸性**：对于固定的p，$H(p,q)$关于q是凸函数 这些性质使得交叉熵成为优化问题的良好目标函数。 ## 交叉熵与其他损失函数的比较 交叉熵损失函数在分类问题中有很多优势： 1. 对模型输出的概率差异敏感，能够提供较大的梯度，有利于模型训练。 2. 与最大似然估计等价，有坚实的统计学基础。 3. 在处理类别不平衡问题时，可以通过调整权重来缓解。 相比之下，均方误差（MSE）在分类问题中可能面临梯度消失的问题，特别是在模型输出接近0或1时。 ## 总结 交叉熵是信息论和机器学习中的重要概念，通过熵和KL散度推导出来：$H(p,q) = H(p) + D_{KL}(p||q)$。在机器学习中，交叉熵常被用作分类问题的损失函数，通过最小化交叉熵使模型预测的分布接近真实分布。交叉熵与最大似然估计有密切关系，具有非负性、最小值和凸性等良好数学性质，使其成为分类问题中常用的损失函数。 **参考资料：** 1. [Information Theory, Inference and Learning Algorithms - David MacKay](https://www.inference.org.uk/itprnn/book.html) 2. [Deep Learning Book - Chapter 3: Information Theory](https://www.deeplearningbook.org/contents/info.html) 3. [Cross-entropy - Wikipedia](https://en.wikipedia.org/wiki/Cross_entropy) 4. [CS231n Convolutional Neural Networks for Visual Recognition](http://cs231n.github.io/linear-classify/#softmax)