初识深度学习

什么熵

2019-07-10 本文已影响0人我爱麦芽糖

信息量

定义

概率越低信息量越大

概率越高信息量越低
公式

$I_{(px)}=-log(px)$

例如

事件概率信息量

电脑炸了 0.1 $-log(0.1)=2.3$

电脑无法开机 0.2 $-log(0.2)=1.61$

电脑开机 0.7 $-log(0.9)=0.36$

熵

定义

是指所有信息量的期望值
公式

$H_{(x)}=-\sum_{i=1}^nP(x_i)log(P(x_i))$

$P(x_i)$ 为概率, $-logP(x_i)$ 为信息量

相对熵（KL离散度）

公式

$D_{(KL)(p||q)}=\sum_{i=1}^np(x_i)log( \frac {p(x_i) }{q(x_i)} )$

n为所有可能， $D_{(KL)}\downarrow$ 则q分布和p分布越接近

交叉熵

推导公式

$D_{KL}(p||q)=\sum_{i=1}^np(x_i)log(p(x_i))-\sum_{i=1}^np(x_i)log(q(x_i))$

$= -H_{(x)}-\sum_{i=1}^np(x_i)log(q(x_i))$

由 $(D_{KL})\downarrow\Rightarrow0$ 可以得出 $H_{(x)}=-\sum_{i=1}^np(x_i)log(q(x_i))$

公式

$H_{(pq)}=-\sum_{i=1}^np(x_i)log(q(x_i))$

$H_{(pq)}$ 为交叉熵

上一篇下一篇

猜你喜欢

热点阅读