交叉熵损失函数（Cross Entropy Loss）：图示+公式+代码

本文通过融合图表示例、公式和代码的多元化方式，阐释交叉熵损失函数，希望对大家从理论到实践，全面理解交叉熵损失函数有一定帮助。

本文内容

概率视角解释（二分类的交叉熵）
概率视角解释（多分类的交叉熵）
训练过程的反向传播（Backpropagation）
信息学视角

交叉熵（Cross Entropy）用于衡量一个概率分布与另一个概率分布之间的距离。

交叉熵是机器学习和深度学习中常常用到的一个概念。在分类问题中，我们通常有一个真实的概率分布（通常是专家或训练数据的分布），以及一个模型生成的概率分布，交叉熵可以衡量这两个分布之间的距离。

模型训练时，通过最小化交叉熵损失函数，我们可以使模型预测值的概率分布逐步接近真实的概率分布。

概率视角解释（二分类的交叉熵）

我们先看一个示例，有个直观的印象；然后从更公式化的角度理解；最后看看代码中的写法。

例 1

以简单的二分类问题为例，模型的预测值 $h_\theta(x_i)$ 由 $\sigma(Wx_i + b)$ 产生一个介于 0 和 1 之间的值，该值可以被解释为样本点 $x_i$ 属于正类的概率。如果这个概率小于0.5，我们将它分类为负例，否则我们将其分类为正例。

假设有一个银行，通过机器学习预测用户的信用卡是否会逾期（目标值 y 为 1 表示逾期）：

姓名	目标值 y	预测为 1 的概率 $h_\theta(x_i)$	预测为 0 的概率（ $1 - h_\theta(x_i)$ ）	交叉熵损失
张三	1	0.7	0.3	`-(0log(0.3) + (1-0)log(0.7)) = 0.356675`
李四	0	0.2	0.8	`-(1log(0.8) + (1-1)log(0.2)) = 0.223144`

(0.356675+0.223144)/2 = 0.289909（为了和后面对照，舍第 6 位后的数字）

这里，交叉熵的计算可以理解为：目标值 y 对应的预测概率的对数（交叉的名字由来）。

公式

概率表达式如下：

\begin{align} p(y_i = 1 \vert x_i) &= h_\theta(x_i) \\ p(y_i = 0 \vert x_i) &= 1 - h_\theta(x_i) \end{align}

为了便于计算，可以把上面两种情况合并成一个表达式（可以简单验算即得）：

p(y_i | x_i) = [h_\theta(x_i)]^{(y_i)} [1 - h_\theta(x_i)]^{(1 - y_i)}

假设有 $N$ 条数据（样本点），数据是独立且同分布，我们可以简单地将数据相乘来写出似然函数：

L(x, y) = \prod_{i = 1}^{N}[h_\theta(x_i)]^{(y_i)} [1 - h_\theta(x_i)]^{(1 - y_i)}

对上述表达式取对数，并利用对数的性质进行简化，最后求出整个表达式的相反数（概率越小时，对数结果越小，取相反数转成正的损失值），即得到交叉熵损失（注：公式计算的是总和）。

J = -\sum_{i=1}^{N} y_i\log (h_\theta(x_i)) + (1 - y_i)\log(1 - h_\theta(x_i))

代码示例

scikit-learn 的代码示例如下，文档参考 sklearn.metrics.log_loss。

from sklearn.metrics import log_loss
import math

y_true=[[0,1],[1,0]] # 样本中的真实值
y_pred=[[0.3,0.7],[0.8,0.2]] # 模型预测值
print(log_loss(y_true, y_pred)) # 真实概率分布和预测概率分布的差异
# 输出：0.2899092476264711

# 按照例子中的数据，预期的输出值
print((math.log(0.7) + math.log(0.8))/2) 
# 输出 -0.2899092476264711

pytorch 和交叉熵相关的函数有：

torch.nn.functional.cross_entropy 交叉熵函数
torch.nn.functional.binary_cross_entropy 二分类交叉熵函数
torch.nn.functional.binary_cross_entropy_with_logits

对应的神经网络组件：

torch.nn.CrossEntropyLoss 交叉熵损失计算
torch.nn.BCELoss 二分类交叉熵损失计算
torch.nn.BCEWithLogitsLoss 这个损失函数将 Sigmoid 层和 BCELoss 结合在一个类中。

pytorch 实现的代码示例如下。

import torch

########### 使用 torch.nn.BCELoss ###############
bceLoss = torch.nn.BCELoss(reduction='mean')
# 和torch.nn.CrossEntropyLoss不一样，这里直接指定目标值的概率
input = torch.tensor([0.7, 0.2], requires_grad=True)
# 和多分类指定类别编号不一样，这里直接指定预期概率
target = torch.tensor([1.0, 0.0], requires_grad=False)
output = bceLoss(input, target)
output.backward()
print(output)
# 输出：tensor(0.2899, grad_fn=<BinaryCrossEntropyBackward0>)

概率视角解释（多分类的交叉熵）

公式

和二分类类似，总的损失函数（未取平均值）如下。

J = -\sum_{i=1}^{N} \sum_{c=1}^{K} y_{ic} \log(h_{\theta}(x_{i}){_c})

其中

$N$ ：样本点的数量
$K$ ：类别的数量
$y_{ic}$ ：样本目标值的 one-hot 编码。如果样本 $x_{i}$ 的真实类别（再强调说明一下，不是预测的类别，“交叉”）等于 $c$ 取 1 ，否则取 0
$h_{\theta}(x_{i}){_c}$ ：观测样本 $x_{i}$ 属于类别 $c$ 的预测概率

可以看出，当 $K=2$ 时，这个公式等价于上面二分类的公式。

例 2

下面以一个图片分类问题为例，理解上面的公式。这个例子，根据图片中动物的轮廓、颜色等特征，来预测动物的类别（猫、狗、马）。

类别名称	类别编号	one-hot
猫	0	[1, 0, 0]
狗	1	[0, 1, 0]
马	2	[0, 0, 1]

现在有一张藏獒的图片，参考上表，它的真实类别编号为 1， one-hot 编码为 [0, 1, 0] 。假定模型的预测概率为[0.4, 0.4, 0.2]，如下为计算交叉熵的过程。

类别名称	预测概率	类别的one-hot	符号函数值 $y_{ic}$	单项交叉熵计算过程	单项交叉熵结果
猫	0.4	[1, 0, 0]	0	-0 * log(0.4)	0
狗	0.4	[0, 1, 0]	1	-1 * log(0.4)	0.9163
马	0.2	[0, 0, 1]	0	-0 * log(0.2)	0

这里样本为单张图片，故数量 $N=1$ 。

单项交叉熵的计算公式： $y_{ic} \log(h_{\theta}(x_{i}){_c}$

总的交叉熵（ $\sum_{c=1}^{K}$ ）为 0.9163（0 + 0.9163 + 0）。

另有一张马的图片，它的真实类别编号为 2， one-hot 编码为 [0, 0, 1] 。假定模型的预测概率为[0.1, 0.12, 0.78]，如下为计算交叉熵的过程。

类别名称	预测概率	类别的one-hot	符号函数值 $y_{ic}$	单项交叉熵计算过程	单项交叉熵结果
猫	0.1	[1, 0, 0]	0	-0 * log(0.1)	0
狗	0.12	[0, 1, 0]	0	-0 * log(0.12)	0
马	0.78	[0, 0, 1]	1	-1 * log(0.78)	0.2485

总的交叉熵为0.2485。显然，这次预测比藏獒的靠谱很多。

代码示例

以藏獒的数据为例，scikit-learn的计算示例：

from sklearn.metrics import log_loss
y_true=[[0, 1, 0]] # 样本点的 one-hot 真实值
y_pred=[[0.4, 0.4, 0.2]] # 模型预测值


# 真实概率分布和预测概率分布的差异
# normalize：True 表示取平均值，否则为总和，默认为True
print(log_loss(y_true, y_pred, normalize=True)) 
# 输出：0.916290731874155

pytorch的计算示例：

import torch
import math

# 可以指定用平均值（mean）还是总和（sum），上面的公式仅列出总和
loss = torch.nn.CrossEntropyLoss(reduction='mean')

# nn.CrossEntropyLoss会对输入值做softmax（做exp），故这里为了方便说明，指定exp后的值
input = torch.tensor([[math.log(0.4), math.log(0.4), math.log(0.2)]], requires_grad=True)

# 狗的分类编号是1
target = torch.tensor([1])
output = loss(input, target)
output.backward()
print(output) 
# 输出：tensor(0.9163, grad_fn=<NllLossBackward0>)

print((math.log(0.4))/1) 
# 输出 -0.916290731874155

训练过程的反向传播（Backpropagation）

训练过程中，交叉熵损失函数的优化也是高效的。

信息学视角

交叉熵损失可以用信息论解释。在信息论中，Kullback-Leibler（KL）散度是用于衡量两个概率分布之间的差异性的。在分类问题中，我们有两个不同的概率分布：第一个分布对应着我们真实的类别标签，在这个分布中，所有的概率质量都集中在正确的类别上（其他类别上为 0）；第二个分布对应着我们的模型的预测，这个分布由模型输出的原始分数经过softmax函数转换后得到。

在一个理想的情况下，我们模型预测得到的分布应该和真实的分布完全吻合，也就是说模型将100%的概率预测到正确的标签上。然而，实际情况不太可能，因为如果我们这么做，原始分数（未经过 softmax 或者其他转换函数）对于正确的类别就是无限大，而对于错误的类别就是负无限小。

将交叉熵损失理解为两个概率分布之间的 KL 散度，也可以帮助我们理解数据噪声的问题。很多数据集都是部分标记的或者带有噪声（即标签有时候是错误的），如果我们以某种方式将这些未标记的部分也分配上标签，或者将错误的标签看作是从某个概率分布中取样得到的，那么我们依然可以使用最小化 KL 散度的思想（在这种情况下，真实分布已经不再将所有的概率质量都集中在单个标签上了）。

参考：

Picking Loss Functions - A comparison between MSE, Cross Entropy, and Hinge Loss

发布于：2023-10-08 15:01:19 描述有误？我来纠错