大家好啊，我是董董灿。

在你刚学习神经网络的时候，有没有被一个名字叫做“交叉熵”的概念绕的云里雾里，以至于现在看到这个概念，依然很懵。

今天就来看一下，这个所谓的“交叉熵”到底是什么，以及它在神经网络扮演什么角色，神经网络中为什么要用它来做损失函数？

本篇文章前半部分会有一些公式的推导和解释（参考Naoki大佬博客，感兴趣可查看英文原文：https://naokishibuya.medium.com/demystifying-cross-entropy-e80e3ad54a8），你也可以直接跳到最后一部分查看神经网络中交叉熵损失的介绍。

1、交叉熵

“交叉熵”包含了“交叉”和“熵”这两部分，如果把这两部分都理解透彻，那这个概念也就没有什么神秘可言了。

“熵”在之前的一篇文章中已经说过了，如果对熵还不清楚的同学，可以看下这篇文章——对“熵”一知半解？带你揭开“熵”的神秘面纱。

总的来说，大科学家香农大佬，定义了熵来计算“在确保信息传递过程不失真的情况下，传递信息所需要的最小编码大小”。

说的好理解一些，就是我向你传递一个消息，在确保没有任何信息丢失的情况下，我需要用到的最小的信息量。

在知道了熵的概念之后，下面从公式的角度一点点抽丝剥茧，来说明交叉熵。

对于存在概率分布的事件，计算熵的公式如下，这个公式在上篇文章解密熵中详细论述过：

其中，i 为发生的离散事件，根据不同的场景 i 会代表不同的含义，比如之前举的例子，东京的天气是阴天还是晴天，就属于在一天中会发生的离散事件。P(i)为发生这些事件的概率，对应到天气便是某一天降雨的概率，晴天的概率等。

上式熵的公式我们稍微变一下型，将负号和 log(P(i)) 看做一个变量，由于P(i)是每个事件 i 发生的概率，那么上式便可以理解为离散事件 i 发生概率的负对数（-log(p(i)）的平均值（也叫期望）。

因此，熵的计算公式，便有了一个期望形式：

其中，x~P 表示用事件 x 服从概率分布 P，并且使用 P 来计算期望，同时熵一般用字母 H 表示，于是熵的公式可以写成如下形式：

简单点讲，熵这一概念，是用来表征在遵循特定概率分布的事件事件 x 发生时，传递信息需要用到的理论平均最小编码大小。

因此，只要我们知道发生事件的概率分布，我们就可以计算它的熵，如果我们不知道它的概率分布，那就没有办法计算熵。

所以，对于不知道概率分布的事件，需要想办法来估计概率分布，从而计算熵。

而利用估计的概率分布来计算熵，得到的是估计熵，这一点很重要，对我们接下来理解交叉熵很有帮助。

2、计算估计熵

假设现在向纽约发送东京的天气情况，并且希望在发送信息的过程中，将天气信息编码到最小来发送。

但我们遇到一个问题，那就是东京的天气我并不能百分百确定，也就是说天气在发生之前，我是不知道的，我所知道的，仅仅能通过天气预报的形式估计出一个天气概率。

假设在观察了东京一段时间的天气后，我大概得到了一个天气的概率分布Q，那么使用这个估计的概率分布Q，便可以计算出一个熵值（此时称为估计熵Estimated Entropy）为：

如果 Q 非常接近真实发生的概率分布，那么上式计算的结果（估计熵）便能更精确的反应传递信息需要的最小编码大小。

但是，这种计算估计熵的公式，存在两种不确定性。

首先，x~Q 表示我们利用概率分布 Q 来计算期望，而 Q 是估计出来的，可能会与实际概率分布 P 相差很大。

其次，计算最小编码时，是基于估计的 Q 来计算的概率分布的负对数 -log(Q），而这也不会是100%准确的。

由此可见，Q 即影响期望，又影响最小编码估计，因此，计算出的估计熵并不能反应出什么，继而将估计熵和真实熵进行对比，也无法得出什么有意义的结论。

那怎么办呢？先回到这件事的本质上，其实一开始我们关心的，是在传递信息的时候，如何让编码大小尽可能小，也就是传递的信息量最小。

因此，我们既然有了熵的理论了，可以基于熵的理论，将我们的计算的编码大小与理论最小的编码进行比较即可，而不去考虑期望，将Q的影响由双变量变为单变量。

举个例子，假设在观察一段已发生的东京天气后，得到了天气发生的真实分布P ，我们可以使用概率分布 P 来计算真实的平均编码大小，而利用天气预报中的概率分布 Q，来计算未发生的事件所需要的编码大小。

这便是基于概率事件 P 和 Q 之间的交叉熵：

上式中，计算期望我们使用了相同的真实概率分布 P，因此此时比较两个熵的大小，实际上比较的是 -logQ 和 -logP 的大小，也就是理论最小编码和实际编码大小。

说的通俗一点，交叉熵在交叉的检查编码大小，这就是交叉熵中“交叉”的意思。

3、交叉熵 ≥ 熵

通常，交叉熵用H表示如下：

H(P, Q) 表示使用 P 计算期望，使用 Q 计算编码大小。

因此，H(P, Q) 和 H(Q, P) 不一定相同，但如果 Q=P，在这种情况下H(P, Q) = H(P, P) = H(P)并且变成熵本身。

有一点需要注意的事，在计算期望时应该使用真实概率P，因为它反映了真实事件的分布。而在计算编码大小时应该使用Q，因为它反映了对消息进行编码的大小。

可以看到，如果估计的概率分布是完美的，也就说如果估计的概率分布 Q 刚好等于 P，那么此时 H(P, Q)=H(P)，否则 H(P, Q) > H(P)。

以上便是交叉熵和熵之间的联系，不知各位同学看懂了没，没看懂没关系，接着看下下面的实例，或许你会对交叉熵有更深刻的理解。

4、交叉熵作为损失函数

假设有一个动物图像数据集，其中有五种不同的动物，每张图像中只有一只动物。

来源：https: //www.freeimages.com/

我们将每张图像都使用 one-hot 编码来标记动物。对one-hot编码不清楚的可以移步这里有个你肯定能理解的one-hot。

上图是对动物分类进行编码后的表格，我们可以将一个one-hot编码视为每个图像的概率分布。

第一个图像是狗的概率分布是 1.0 (100%)。

对于第二张图是狐狸的概率分布是1.0（100%）。

以此类推，此时，每个图像的熵都为零。

换句话说，one-hot 编码标签 100% 确定地告诉我们每张图像有哪些动物：第一张图片不可能 90% 是狗，10% 是猫，因为它100%是狗。

现在，假设有一个神经网络模型来对这些图像进行分类，在神经网络执行完一次推理，或者完成一轮训练迭代后，它可能会对第一张图像（狗）进行如下分类：

该分类表明，第一张图像中狗占 40%，狐狸占 30%，马占 5%，老鹰占 5%，松鼠占 20%。

但是，单从图像标签上看，它100%是一只狗，标签为我们提供了这张图片的准确的概率分布。

那么，此时模型分类预测的效果如何呢？我们可以计算利用标签的one-hot编码作为真实概率分布 P，模型预测的结果作为 Q 来计算交叉熵：

结果明显高于标签的零熵，说明预测结果并不是很好。

先不急，继续看另一个例子。

假设模型经过了改良，在完成一次推理或者一轮训练后，对第一张图得到了如下的预测，也就是说这张图有98%的概率是狗，这个标签的100%已经差的很少了。

我们依然计算交叉熵：

可以看到交叉熵变得很低，随着预测变得越来越准确，交叉熵会下降，如果预测是完美的，它就会变为零。

基于此理论，很多分类模型利用交叉熵作为模型的损失函数。

在机器学习中，由于多种原因（比如更容易计算导数），对数的计算大部分情况下是使用基数 e 而不是基数 2 ，对数底的改变不会引起任何问题，因为它只改变幅度。