公众号关注 “ML_NLP”设为 “星标”，重磅干货，第一时间送达！

机器学习算法与自然语言处理出品

@公众号原创专栏作者 思婕的便携席梦思

单位 | 哈工大SCIR实验室

KL散度 = 交叉熵 - 熵

1. 1. 熵(Entropy)

抽象解释：熵用于计算一个随机变量的信息量。对于一个随机变量X，X的熵就是它的信息量，也就是它的不确定性。
形象例子：有两个随机变量X和Y，或者说两个事件，X表示“投一枚硬币，落地时，哪一面朝上”；Y表示“太阳从哪个方向升起”。对于随机变量X，“正面朝上”和“反面朝上”的概率各为0.5；对于随机变量Y，“太阳从东边升起”的概率为1，从另外三个方向升起的概率为0。由此可以看出，事件X的不确定性大于事件Y，因此事件X的熵也就大于事件Y。
那么具体该如何计算熵呢？
熵的数学定义为：

举个例子，依旧是投硬币的那个事件：
我们令

那么它的熵为：

从编码的角度理解熵
对于任意一个离散型随机变量，我们都可以对其进行编码。例如我们可以把字符看出一个离散型随机变量。
根据shannon的信息论，给定一个字符集的概率分布，我们可以设计一种编码，使得表示该字符集组成的字符串平均需要的比特数最少。假设这个字符集是X，对x∈X，其出现概率为P(x)，那么其最优编码(哈夫曼编码)平均需要的比特数等于这个字符集的熵。

1. 1. KL散度(Kullback-Leibler divergence)

抽象解释：KL散度用于计算两个随机变量的差异程度。相对于随机变量X，随机变量Y有多大的不同？这个不同的程度就是KL散度。KL散度又称为信息增益，相对熵。需要注意的是KL散度是不对称的，就是说：X关于Y的KL散度 不等于 Y关于X的KL散度。
形象例子：
X表示“不透明的袋子里有2红2白五个球，随机抓一个球，球的颜色”事件，
Y表示“不透明的袋子里有3红2白五个球，随机抓一个球，球的颜色”事件，
Z表示“不透明的袋子里有1红1白两个球，随机抓一个球，球的颜色”事件。
由于在事件X和Z中，都是P(红)=0.5 P(白)=0.5；而在事件Y中P(红)=0.6 P(白)=0.4，所以我们认为：相对于事件X，事件Y的差异程度小于事件Z。
那么该如何具体计算KL散度呢？
KL散度的数学定义为：
对于离散型随机变量，我们定义A和B的KL散度为：

对于离散型随机变量，我们定义A和B的KL散度为：

从编码的角度理解KL散度
在同样的字符集上，假设存在另一个概率分布Q(X)。如果用概率分布P(X)的最优编码(即字符x的编码长度等于log[1/P(x)])，来为符合分布Q(X)的字符编码，那么表示这些字符就会比理想情况多用一些比特数。KL-divergence就是用来衡量这种情况下平均每个字符多用的比特数，因此可以用来衡量两个分布的距离。

1. 1. 交叉熵(Cross-Entropy)

抽象解释：我所理解的交叉熵的含义，与KL散度是类似的，都是用于度量两个分布或者说两个随机变量、两个事件不同的程度。
具体例子：与KL散度类似
交叉熵的数学定义：

比较熵、KL散度和交叉熵的数学定义会发现：
KL散度 = 交叉熵 - 熵
从编码的角度理解交叉熵熵的意义是：对一个随机变量A编码所需要的最小字节数，也就是使用哈夫曼编码根据A的概率分布对A进行编码所需要的字节数；KL散度的意义是：使用随机变量B的最优编码方式对随机变量A编码所需要的额外字节数，具体来说就是使用哈夫曼编码却根据B的概率分布对A进行编码，所需要的编码数比A编码所需要的最小字节数多的数量；交叉熵的意义是：使用随机变量B的最优编码方式对随机变量A编码所需要的字节数，具体来说就是使用哈夫曼编码却根据B的概率分布对A进行编码，所需要的编码数。

推荐阅读：

【长文详解】从Transformer到BERT模型

赛尔译文 | 从头开始了解Transformer

百闻不如一码！手把手教你用Python搭一个Transformer