相对熵（relative entropy）就是 KL 散度（Kullback–Leibler divergence），用于衡量两个概率分布之间的差异。
举个例子：假设我们发现了一些太空蠕虫，这些太空蠕虫的牙齿数量各不相同。现在我们需要将这些信息发回地球。但从太空向地球发送信息的成本很高，
所以我们需要用尽量少的数据表达这些信息。其中一个办法是：不发送单个数值，而是绘制一张图表，其中 $X$ 轴表示所观察到的不同牙齿数量，$Y$ 轴是
看到的太空蠕虫具有 $x$ 颗牙齿的概率（具有 $x$ 颗牙齿的蠕虫数量/蠕虫总数量）。这样，我们就将观察结果转换成了分布。
但我们还能进一步压缩数据大小。我们可以用一个已知的分布来表示这个分布（比如均匀分布、二项分布、正态分布等）。
假设有 $100$ 只蠕虫，各种牙齿数的蠕虫的数量统计结果如下：
$$P(X=0) = 0.02 ;;;;; P(X=1) = 0.03 \
P(X=2) = 0.05 ;;;;; P(X=3) = 0.14 \
P(X=4) = 0.16 ;;;;; P(X=5) = 0.15 \
P(X=6) = 0.12 ;;;;; P(X=7) = 0.08 \
P(X=8) = 0.10 ;;;;; P(X=9) = 0.08 \
P(X=10) = 0.07$$
1）假如我们用均匀分布来表示真实分布
离散随机变量的均匀分布只有一个参数：均匀概率；即给定事件发生的概率。
$$P(X=i) = 0.09, ; i=0,1,2,cdots,10$$
均匀分布和我们的真实分布对比：
橙色是用来逼近的分布，蓝色是真实分布，这两个分布看上去明显差异比较大。
2）假如我们用二项分布来表示真实分布
二项分布为 $X sim B(n,p)$。首先计算蠕虫的牙齿的期望：
$$EX = sum_{i=0}^{10}i cdot P(X = i) = 5.44$$
要想用二项分布来逼近这个分布，可以认为 $n = 10$(这里并没有什么含义，牙齿数量也不能当成试验次数，只是从形式上观察的)，然后通过
$np = 10p = 5.44$，可解得 $n = 0.544$。真实分布和二项分布的比较如下：
橙色所表示的分布和真实分布之间虽然还有差异，但是看起来要比用均匀分布去逼近好一点。
我们如何定量地确定哪个分布更好？
经过这些计算之后，我们需要一种衡量每个近似分布与真实分布之间匹配程度的方法。这就是 KL 散度的用武之地。KL 散度在形式上定义如下：
$$D_{KL}(p||q) = sum_{i = 1}^{N}p(x_{i})ln frac{p(x_{i})}{q(x_{i})}$$
其中 $q(x)$ 是近似分布，$p(x)$ 是我们想要用 $q(x)$ 匹配的真实分布。直观地说，这衡量的是给定任意分布偏离真实分布的程度。如果两个分布
完全匹配，那么有
$$D_{KL}(p||q) = 0$$
计算上面两个分布和真实分布之间地 KL 散度，会发现均匀分布的匹配度更高，即 KL 散度值更小。
上面那个 KL 散度的定义是针对离散分布的，对于连续的分布，只不过就是将求和变成积分，定义式如下：
$$D_{KL}(p||q) = int p(x_{i})ln frac{p(x_{i})}{q(x_{i})} dx$$
接下来我们从熵的角度来理解一下 KL 散度，将离散分布的 KL 散度的定义式展开：
$$D_{KL}(p||q) = sum_{i = 1}^{N}p(x_{i})ln p(x_{i}) - sum_{i = 1}^{N}p(x_{i})ln q(x_{i}) \
= -sum_{i = 1}^{N}p(x_{i})ln q(x_{i}) - left (-sum_{i = 1}^{N}p(x_{i})ln p(x_{i})
ight )$$
信息量：任何事件都会承载着一定的信息量，我们可以通过事件发生的概率来定义事件的信息量，事件发生的概率越小，其信息量越大。也可以认为
一个事件结果的出现概率越低，对其编码的 bit 长度就越长，因为根据哈夫曼编码，概率低的事件，从根到表示该事件的叶子节点的路径就越长。这
里的 bit 长度就可以认为是信息量。事件 $X = x_{0}$ 发生所具有的信息量为
$$I(x_{0}) = -ln p(x_{0})$$
所以式子中的 $-ln p(x_{i}),; -ln q(x_{i})$ 就是代表在对应分布下，事件发生的信息量或编码长度。
信息熵：把所有可能事件罗列出来，就可以求得所有事件的信息量，进而可以求期望，信息量的期望就是熵，所以熵的公式为：
$$H(p) = -sum_{i = 1}^{N}p(x_{i})ln p(x_{i})$$
可以发现 KL 散度公式的第二部分就是信息熵。因为 $p(x)$ 本身就是真实分布，由这个分布所构建的哈夫曼树是最完美的，也是浪费最小的，所以信
息熵可以认为是：编码方案完美时，最短平均编码长度。
接下来观察一下 KL 散度定义式的第一项，$q(x_{i})$ 并不是真实分布，由于对概率分布的估计不一定正确，所以编码方案不一定完美，将这种情况下
的平均编码长度定义为交叉熵，即
$$H(p,q) = -sum_{i = 1}^{N}p(x_{i})ln q(x_{i})$$
所以 KL 散度其实就是
$$D_{KL}(p||q) = H(p,q) - H(p)$$
可以看出，相对熵其实就是：由于编码方案不一定完美，和数据的真实分布有差别，所导致的平均编码长度的增大值。
在机器学习中，因为交叉熵与相对熵只差一个真实分布的信息熵，而真实分布是固定的分布，与训练无关，所以可以将交叉熵作为损失函数进行优化。
证明：$D_{KL}(p || q) geq 0$
以离散分布为例，由琴生不等式得
$$D_{KL}(p||q) = sum_{i = 1}^{N}p(x_{i})ln frac{p(x_{i})}{q(x_{i})} = -sum_{i = 1}^{N}p(x_{i})ln frac{q(x_{i})}{p(x_{i})} \
geq -lnleft ( sum_{i = 1}^{N}p(x_{i}) frac{q(x_{i})}{p(x_{i})}
ight ) = 0$$
交叉熵与最大似然估计的联系
离散分布的极大似然估计的表达式如下：
$$ heta = arg ; max_{ heta} prod_{i=1}^{n}q(x_{i} | heta) \
Leftrightarrow heta = arg ; max_{ heta} sum_{i=1}^{n}ln q(x_{i} | heta) \
Leftrightarrow heta = arg ; max_{ heta} sum_{x in X}^{}p(x)ln q(x | heta) \
Leftrightarrow heta = arg ; min_{ heta} H(p,q)$$
其中真实分布 $p$ 就是根据样本统计出来的，因为根本就不可能会知道真实分布的，只能用样本的分布情况作为总体的分布情况，然后
再去估计参数，所以极大似然估计等价于极小化交叉熵(会相差一个因子 $frac{1}{N}$，但不影响最优解)。