一.交叉熵损失函数形式
现在给出三种交叉熵损失函数的形式，来思考下分别表示的的什么含义。
--式子1
--式子2
--式子3
解释下符号，m为样本的个数，C为类别个数。上面三个式子都可以作为神经网络的损失函数作为训练，那么区别是什么？
■1》式子1，用于那些类别之间互斥(如：一张图片中只能保护猫或者狗的其中一个)的单任务分类中。连接的 softmax层之后的概率分布。
tensorflow中的函数为： tf.nn.softmax_cross_entropy_with_logits
■2》式子2，用于那些类别之间不存在互斥关系(如:一张图片中可有猫和狗两种以上的类别同时存在)的多任务学习分类中。最后一层的每个节点不在是softmax函数的输出了，而是sigmoid。把每个节点当成一个完整的分布，而式子1是所有节点组合程一个完整分布。
tensorflow中的函数为：tf.nn.sigmoid_cross_entropy_with_logits
■3》式子3，用于最后一层只有一个节点的二分类任务
二.交叉熵损失意义
要解释交叉熵损失函数的意义，我认为应该从熵的根源说起。这里我不介绍熵作者呀，来源呀什么的不再介绍了(主要是懒)，哈哈！）这里讲的顺序是：信息量--》信息熵--》交叉熵
1.信息量
意义：
如果一个事件发生的概率为p,那么获知该信息发生能给到我们 
的信息量(可以理解为意外程度)
的信息量(可以理解为意外程度)例子：巴西跟中国乒乓球比赛，历史上交手64次，其中中国获胜63次，那么63/64是赛前普遍认为中国队获胜的概率，那么这次中国获胜的信息量有多大？
如果这次是巴西获胜，那么带给我们的信息量为：
单位：bit
如果一件事件的发生概率为：100%，带给我们的信息量为：0
通俗点讲就是，如果一件事情，本身发生的概率很大，如果再次发生，我们并没有觉得有什么好奇的。但是一件发生概率很小的事情发生了，我们就会非常惊讶，它能给到我们的信息就越有价值。例如：太阳每天都是从东边出来，这个概率几乎是1，所以我们都其以为常，没什么好惊讶的，但是某天太阳从西边出来了，这个时候，打破了我们的常识，这个概率非常小的事件居然发生了，我们就会非常惊讶，它给我们信息量是非常大的，也许我们可以根据这个现象发现一种新的东西。
2.信息熵
意义：
用来做信息的杂乱程度的量化描述。
定义：
1.中国队获胜概率: 63/64，巴西获胜概率：1/64，那么信息熵为：
2.中国队获胜概率: 1/2，巴西获胜概率：1/2，那么信息熵为：
3.中国队获胜概率: 1，巴西获胜概率：0，那么信息熵为：
结论：
信息越确定，越单一，信息熵就越小，
信息越不确定，越混乱，信息熵就越大。
注意：这里的log以2为底，实际上可以与e,10等其他为底，主要对比的时候统一就好。从计算机角度来看，计算机只有0，1两位，用2比较符合。
3.交叉熵
意义：
衡量真实分布和预测的分布的差异情况
离散形式为：
其中，p(x)为真实概率，q(x)为预测概率
从信息量的角度，如果是真是真实的概率，那么给到我们的信息熵为：
如果是预测分布，改到我们信息熵(可以简单理解为信息量)为：
信息熵的差异为：
这也叫：K-L散度
可以看出，只有当q(x)=p(x)时候差异为：0
K-L散度始终是>=0,但是不知道怎么证明(我还没推导出来惭愧，以后推导出来再补充，如果有读者推出来，麻烦评论，非常感谢！)
问题：
为什么大多数情况，我们都用交叉熵而不是K-L散度作为损失函数？
我来分析下：仔细观察k-l散度，如果是多分类时候，one-hot形式【0，1，0，0】，那么把p(x)=0，1，0，0，带入K-L散度函数，那么其实跟交叉熵形式是一样的。
例如：在多一个4分类任务时候，计算其中一个样本的第2个类别损失，其one-hot形式，【0，1，0，1】，模型预测出来的概率分布为：【0.1，0.6，0.2，0.1】
那么如果是K-L散度作为损失，那么:
实际就是：-p(x)*log(q(x))
这下明白了吧。
参考：
2.https://www.reddit.com/r/MachineLearning/comments/4mebvf/why_train_with_crossentropy_instead_of_kl/
3.书籍《白话大数据》第六章信息论