交叉熵理解：softmax_cross_entropy,binary_cross_entropy,sigmoid_cross

cross entropy 交叉熵的概念网上一大堆了，具体问度娘，这里主要介绍深度学习中，使用交叉熵作为类别分类。

1、二元交叉熵 binary_cross_entropy

　　　我们通常见的交叉熵是二元交叉熵，因为在二分类中的交叉熵可以比较方便画出图像来，如下图，为“二元交叉熵”，

当我们的label标注结果0时，如下图右侧曲线，当预测结果为1时，返回的loss 无穷大，反之，loss 与 label标注结果一致都为0时，

loss = 0。当我们的label标注结果1时，同理。

2、多元交叉熵 softmax_cross_entropy,sigmoid_cross_entropy

我们在生活中通常事物的类别不是二分类，对与错的，通常是有多个类别，比如，动物有：猫，鱼，狗，马....等。因此，多分类的loss必不可少，

下面是“多元交叉熵”的公式，二元交叉熵是0是一类，1是一类，但是多远交叉熵有多个类别，如何处理？这时候也就要使用机器学习中常用的One_hot。

当我们神经网络有多个类别是，我们输出神经元数量通常是多个的，然后取输出的最大的作为类别，这是时候，我们通常要对需要分类的目标做一个简单

的编码，比如：猫：1，鱼：2，狗：3，马：4，（0:通常是背景or其他类别），这样，比如当前样本label是马：4，我们的 One_hot = [0,0,0,0,1],每个位置为

0和1的值，这时候就可以将多分类“变成” 多个二分类，如下图：其中yi就是某个类别的label，h(xi)是模型类别输出的结果。

3、softmax_cross_entropy,sigmoid_cross_entropy的区别，字面上区别就是：softmax，sigmoid。其实通过上面分析，我们的cross_entropy的定义域（自变量）

的取值范围是0-1的，然而模型神经元输出（通常最后一层不加激活函数）是[-,+] 负无穷到正无穷的。因此需要将我们的数值转变到 0-1，目前常用的2中转变方式，

“应运而生”，如下图：

注：

softmax图来源：https://www.cnblogs.com/alexanderkun/p/8098781.html

sigmoid 图来源 :https://baike.baidu.com/item/Sigmoid%E5%87%BD%E6%95%B0/7981407?fr=aladdin

巴特西