首页 > 编程语言 >Java开发者的神经网络进阶指南:深入探讨交叉熵损失函数

Java开发者的神经网络进阶指南:深入探讨交叉熵损失函数

时间:2024-06-24 09:44:21浏览次数:24  
标签:Java 进阶 交叉 ln px 对数函数 开发者 sum 函数

前言

今天来讲一下损失函数——交叉熵函数,什么是损失函数呢?大体就是真实与预测之间的差异,这个交叉熵(Cross Entropy)是Shannon信息论中一个重要概念,主要用于度量两个概率分布间的差异性信息。在信息论中,交叉熵是表示两个概率分布 p,q 的差异,其中 p 表示真实分布,q 表示预测分布,那么 \(H(p,q)\)就称为交叉熵:

\(H(p,q) = -\sum_{i=0}^n p(i)ln^{q(i)}\)

交叉熵是一种常用的损失函数,特别适用于神经网络训练中。在这种函数中,我们用 p 来表示真实标记的分布,用 q 来表示经过训练后模型预测的标记分布。通过交叉熵损失函数,我们可以有效地衡量模型预测分布 q 与真实分布 p 之间的相似性。

交叉熵函数是逻辑回归(即分类问题)中常用的一种损失函数。

前置知识

有些同学和我一样,长时间没有接触数学,已经完全忘记了。除了基本的加减乘除之外,对于交叉熵函数中的一些基本概念,他们可能只记得和符号。今天我会和大家一起回顾一下,然后再详细解释交叉熵函数。首先,我们来简单了解一下指数和对数的基本概念。

指数

\(x^3\) 是一个典型的立方函数,大家对平方和立方可能都有所了解。指数级增长的函数具有特定的增长规律,让我们更深入地记忆和理解它们的分布特性。

image

这个概念非常简单,无需举例子来说明。重要的是要记住一个关键点:指数函数的一个特殊性质是它们都经过点(0,1),这意味着任何数的0次幂都等于1。

对数

好的,铺垫已经完成了。现在让我们继续探讨对数函数的概念。前面讲解了指数函数,对数函数则是指数函数的逆运算。如果有一个指数函数表达式为\(y = a^x\),那么它的对数表达式就是\(x = \log_a y\)。为了方便表示,我们通常将左侧的结果记为\(y\),右侧的未知函数记为\(x\),因此对数函数最终表示为\(y = \log_a x\)。为了更加深刻地记忆这一点,让我们看一下它的分布图例。

image

当讨论指数函数时,我们了解到其图像在( (0,1) ) 处穿过横轴。然而,当我们转而讨论对数函数时,其表示形式导致了这一点被调换至( (1,0) ),因此对于对数函数而言,它的恒过点即为( (1,0) )。

剩下关于对数的变换我就不再详细讲解了。现在让我们深入探讨一下熵的概念。

交叉熵函数

在探讨交叉熵之前,我们先来了解一下熵的概念。熵是根据已知的实际概率计算信息量的度量,那么信息量又是什么呢?

信息论中,信息量的表示方式:\(I(x_j) = -ln^{(px_j)}\)

\(x_j\):表示一个事件。

\(px_j\):表示一个事件发生的概率。

\(-ln^{(px_j)}\):表示某一个事件发生后会有多大的信息量,概率越低,所发生的信息量也就越大。

这里为了更好地说明,我来举个例子。比如说有些人非常喜欢追星。那么,按照一般的逻辑来说,我们可以谈谈明星结婚这件事的概率分布:

事件编号 事件 概率p 信息量 I
\(x_1\) 两口子都在为事业奋斗照顾家庭 0.7 \(I(x_1) = -ln^{0.7}= 0.36\)
\(x_2\) 两口子吵架 0.2 \(I(x_2) = -ln^{0.2}= 1.61\)
\(x_3\) 离婚了 0.1 \(I(x_3) = -ln^{0.1}= 2.30\)

从上面的例子可以看出,如果一个事件的概率很低,那么它所带来的信息量就会很大。比如,某某明星又离婚了!这个消息的信息量就非常大。相比之下,“奋斗”事件的信息量就显得小多了。

按照熵的公式进行计算,那么这个故事的熵即为:

熵:\(H(p) = -\sum_j^n(px_j)ln^{(px_j)}\)

计算得出:\(H(p) = -[(px_1)ln^{(px_1)}+(px_2)ln^{(px_2)}+(px_3)ln^{(px_3)}] = -[0.7*0.36+0.2*1.61+0.1*2.3] = 0.804\)

相对熵(KL散度)

上面我们讨论了熵的概念及其应用,熵仅考虑了真实概率分布。然而,我们的损失函数需要考虑真实概率分布与预测概率分布之间的差异。因此,我们需要进一步研究相对熵(KL散度),其计算公式为:

\(H(p) = \sum_j^n(px_j)ln^{(px_j) \over (qx_j)}\)

哎,这其实就是在原先的公式中加了一个\(q(x_j)\)而已。对了,这里的\(q(x_j)\)指的是加上了预测概率分布\(q\)。我们知道对数函数的对称点是(1,0)。因此,很容易推断出,当真实分布\(p\)和预测分布\(q\)越接近时,KL散度\(D\)的值就越小。当它们完全相等时,KL散度恒为0,即在点(1,0)。这样一来,我们就能够准确地衡量真实值与预测值之间的差异分布了。但是没有任何一个损失函数是能为0 的。

当谈到相对熵已经足够时,为何需要进一步讨论交叉熵呢?让我们继续深入探讨这个问题。

交叉熵

重头戏来了,我们继续看下相对熵函数的表达式:\(H(p) = \sum_j^n(px_j)ln^{(px_j) \over (qx_j)}\)

这里注意下,\(log^{p \over q}\)是可以变换的,也就是说\(log^{p \over q}\) = \(log^p -log^ q\),这么说,相对熵转换后的公式就是:$H(p) = \sum_jn(px_j)ln - \sum_jn(px_j)ln = -H(p) + H(p,q) $

当我们考虑到\(H(p)\)在处理不同分布时并没有太大作用时,这是因为\(p\)的熵始终保持不变,它是由真实的概率分布计算得出的。因此,损失函数只需专注于后半部分\(H(p,q)\)即可。

所以最终的交叉熵函数为:\(-\sum_j^n(px_j)ln^{(qx_j)}\)

这里需要注意的是,上面显示的是一个样本计算出的多个概率的熵值。通常情况下,我们考虑的是多个样本,而不仅仅是单一样本。因此,我们需要在前面添加样本的数量,最终表示为:\(-\sum_i^m\sum_j^n(px_j)ln^{(qx_j)}\)

代码实现

这里主要使用Python代码来实现,因为其他语言实现起来没有必要。好的,让我们来看一下代码示例:

import numpy as np

def cross_entropy(y_true, y_pred):
    # 用了一个最小值
    epsilon = 1e-15
    y_pred = np.clip(y_pred, epsilon, 1 - epsilon)
    
    # Computing cross entropy
    ce = - np.sum(y_true * np.log(y_pred))
    return ce

# Example usage:
y_true = np.array([1, 0, 1])
y_pred = np.array([0.9, 0.1, 0.8])

ce = cross_entropy(y_true, y_pred)
print(f'Cross Entropy: {ce}')

这里需要解释一下为什么要使用一个最小值。因为对数函数的特性是,其参数 ( x ) 可以无限接近于0,但不能等于0。因此,如果参数等于0,就会导致对数函数计算时出现错误或无穷大的情况。为了避免这种情况,我们选择使用一个足够小的最小值作为阈值,以确保计算的稳定性和正确性。

总结

在本文中,我们深入探讨了交叉熵函数作为一种重要的损失函数,特别适用于神经网络训练中。交叉熵通过衡量真实标签分布与模型预测分布之间的差异,帮助优化模型的性能。我们从信息论的角度解释了交叉熵的概念,它是基于Shannon信息论中的熵而来,用于度量两个概率分布之间的差异。

在讨论中,我们还回顾了指数和对数函数的基本概念,这些函数在交叉熵的定义和理解中起着重要作用。指数函数展示了指数级增长的特性,而对数函数则是其逆运算,用于计算相对熵和交叉熵函数中的对数项。

进一步探讨了熵的概念及其在信息论中的应用,以及相对熵(KL散度)作为衡量两个概率分布差异的指标。最后,我们详细介绍了交叉熵函数的定义和实际应用,以及在Python中的简单实现方式。

通过本文,希望读者能够对交叉熵函数有一个更加深入的理解,并在实际应用中运用此知识来优化和改进机器学习模型的训练效果。

标签:Java,进阶,交叉,ln,px,对数函数,开发者,sum,函数
From: https://www.cnblogs.com/guoxiaoyu/p/18253180

相关文章

  • 基于Java的工单管理系统的设计与实现【源码】
    一、引言在企业日常运营中,工单管理系统扮演着至关重要的角色,它帮助组织高效地管理客户请求、问题报告、任务指派等事项,确保每一项工作都能得到及时响应和妥善处理。本项目旨在设计并实现一个基于Java的工单管理系统,该系统将涵盖工单的创建、分配、处理、反馈和统计分析等功能......
  • Java学习
    idea使用使用idea自动生成get和set方法Idea快捷键删除当前行ctrl+d添加注释或取消ctrl+/自动导包(需要先设置)alt+Enter自动调整代码格式ctrl+shift+L运行代码ctrl+R构造器生成、get、set方法、tostring、在pom.xml文件中快捷配置依赖alt+inse......
  • 【华为OD机试真题】224、欢乐的周末 | 机试真题+思路参考+代码分析(最新抽中CD卷)(C++、J
    文章目录一、题目......
  • How to get all subarrays from an array by using JavaScript All In One
    HowtogetallsubarraysfromanarraybyusingJavaScriptAllInOneJavaScript动态生成其所有的子数组算法difficulty:Medium/难度:中等solutionsdemos//双指针???//functionnumberOfSubarrays(nums:number[],k:number):number{//letcount=0......
  • Java常见的本地存储方式
    1、HashMap1.1特点K-V形式线程不安全查询效率快通过线程不安全的特点,表现了HashMap的应用场景局限于单线程(没有线程并发问题的场景)1.2基础操作Map<Object,Object>map=newHashMap<>();//添加元素map.put("key","value");//获取元素map.get("key");//删除元......
  • java的输出流File OutputStream
    一、字节输出流FileOutputStream 1、定义使用OutputStream类的FileOutputStream子类向文本文件写入的数据。2.常用构造方法3.创建文件输出流对象的常用方式 二、输出流FileOutputStream类的应用示例1.示例  2、实现步骤  今天的总结就到此结束啦,拜拜! ......
  • 【JavaSE】(二)命令行/jdk编程
    jdkJavaDevelopmentKit(JDK)是一种用于开发Java应用程序的软件开发环境。它包括了Java运行时环境(JavaRuntimeEnvironment,JRE),以及一系列Java工具和Java基础类库。JDK(Java开发工具包)的组成JRE:Java的运行环境JVM:Java虚拟机,真正运行Java程序的地方。核心类库:Java自......
  • 接入效率提升90%,华为云空间助力开发者高效实现应用数据同步
    十年铸剑,破茧成蝶。从2015年立项,到2019年8月9日HarmonyOS操作系统正式发布,再到HarmonyOSNEXT携六大原生鸿蒙体验正式吹响商用号角,HarmonyOSNEXT开创性的为行业和开发者带来了新发展机遇。ArkData作为统一的数据访问框架,构建统一的鸿蒙数据标准,实现“书同文,车同轨”;同时将跨设备......
  • 【java问答小知识19】一些Java基础的知识,用于想学习Java的小伙伴们建立一些简单的认知
    Java中的"java.util.concurrent.locks.StampedLock"的"tryConvertToReadLock()"方法如何工作?回答:尝试将当前的写锁转换为读锁,并返回一个表示锁定状态的戳记。Java中的"java.util.concurrent.locks.StampedLock"的"tryConvertToWriteLock()"方法有什么特点?回答:尝试将当......
  • 【java问答小知识18】一些Java基础的知识,用于想学习Java的小伙伴们建立一些简单的认知
    Java中的"java.util.concurrent.locks.Lock"接口有哪些实现类?回答:“Lock"接口的实现类包括"ReentrantLock”、“ReadWriteLock"的实现类,以及"StampedLock”。Java中的"java.util.concurrent.locks.ReentrantLock"如何实现重入?回答:"ReentrantLock"通过维护一个持有计......