为什么使用交叉熵代替二次代价函数_Softmax回归与交叉熵损失的理解

0、sigmoid、softmax和交叉熵损失函数的概念理解

sigmoid、softmax和交叉熵损失函数

1、使用场景

在二分类问题中，神经网络输出层只有一个神经元，表示预测输出

是正类

的概率

,

:目标值

预测值

2、Softmax 回归

2.1 什么是 Softmax？

• softmax 的作用是把 一个序列，变成概率。

它能够保证：

• 1、所有的值都是
  之间的（因为概率必须是
  ）
• 2、所有的值加起来等于
• 3、从概率的角度解释 softmax 的话，就是

2.2 在多分类中的应用

对于多分类问题，用 N表示种类个数，那么神经网络的输出层的神经元个数必须为

, 每个神经元的输出依次对应属于N个类别当中某个具体类别的概率，即

。

图示理解

输出层即：

​​，Z的输出值个数为类别个数

需要对所有的输出结果进行一下softmax公式计算：

,我们来看一下计算案例：

图示理解

3、交叉熵（Cross-Entropy）损失

对于softmax回归（逻辑回归代价函数的推广，都可称之为交叉熵损失，只是一个用于二分类一个同于多分类），它的代价函数公式为：

（一个样本）

总损失函数可以记为

（多个样本）

逻辑回归的损失也可以这样表示，

示意图

所以与softmax是一样的，一个二分类一个多分类衡量。

对于真实值会进行一个one-hot编码，每一个样本的所属类别都会在某个类别位置上标记。

上图改样本的损失值为：

注：关于one_hot编码

3、Softmax 和 Cross-Entropy（交叉熵） 的关系

• 先说结论： softmax 和 cross-entropy 本来太大的关系，只是把两个放在一起实现的话，算起来更快，也更数值稳定。
• cross-entropy 不是机器学习独有的概念，本质上是用来衡量两个概率分布的相似性的。简单理解（只是简单理解！）就是这样: 如果有两组变量：

• 如果你直接求 L2 距离，两个距离就很大了，但是你对这俩做 cross entropy，那么距离就是0。所以 cross-entropy 其实是更“灵活”一些。

那么我们知道了，cross entropy 是用来衡量两个概率分布之间的距离的，softmax能把一切转换成概率分布，那么自然二者经常在一起使用。但是你只需要简单推导一下，就会发现，softmax + cross entropy 就好像“往东走五米，再往西走十米”，我们为什么不直接“往西走五米”呢？cross entropy 的公式是

4、循环神经网络中的交叉熵损失

总损失定义：

• 一整个序列（一个句子）作为一个训练实例，总误差就是各个时刻词的误差之和。

在这里，

是时刻

上正确的词，

是预测出来的词

图示