交叉熵损失函数「Cross Entropy Loss」，我们第一印象就是它如下的公式：
大多数情况下都是直接拿来使用就好，但是它是怎么来的？为什么它能表征真实样本标签和预测概率之间的差值？交叉熵函数是否有其它变种？
信息量
事件A：巴西队进入了2018世界杯决赛圈。
事件B：中国队进入了2018世界杯决赛圈。
直觉来说，显而易见事件B的信息量比事件A的信息量要大。究其原因，是因为事件A发生的概率很大，事件B发生的概率很小。所以当越不可能的事件发生了，我们获取到的信息量就越大。越可能发生的事件发生了，我们获取到的信息量就越小。那么信息量应该和事件发生的概率有关。
设X是一个离散型随机变量，X=x0的信息量为：
根据log函数曲线，我们可知，概率越大，信息量越小
熵
熵（entropy）表示随机变量不确定性的度量，熵就是用来表示信息量的期望：
对于二项分布，熵的计算我们可以直接写为：
相对熵（KL散度）
相对熵又称KL散度,如果我们对于同一个随机变量 x 有两个单独的概率分布 P(x) 和 Q(x)，我们可以使用 KL 散度（Kullback-Leibler (KL) divergence）来衡量这两个分布的差异，这里 P(x) 表示样本的真实分布，Q(x) 表示我们计算出来的模型，我们怎么取衡量我们的模型和真实的样本分布之间的差异呢，使用KL散度：
n为样本容量，的值越小，表示q分布和p分布越接近
交叉熵
从KL散度公式，我们可以继续推论：
等式的前一部分恰巧就是p的熵，等式的后一部分，就是交叉熵：
机器学习或者深度学习中，我们需要评估label和predicts之间的差距，使用KL散度刚刚好，即，由于KL散度中的前一部分−H(y)不变，故在优化过程中，只需要关注交叉熵就可以了。所以一般情况下用交叉熵做loss，评估模型。
举个栗子：
假设我们现在使用逻辑斯蒂回归学习一个二分类问题，模型的输出为：
s为 ，这里我们使用逻辑斯蒂学习到的g(s) 就是交叉熵公式中的需要和真实模型进行比较的预测模型
使用预测模型预测当前样本x的分类标签为 1 的概率：
当前样本x的分类标签为 0 的概率就可以表达成：
如果我们从极大似然性的角度出发，把上面两种情况整合到一起：
我们希望的是概率 P(y|x) 越大越好。首先，我们对 P(y|x) 引入 log 函数，因为 log 运算并不会影响函数本身的单调性。则有：
根据极大似然估计的思想，我们希望 log P(y|x) 越大越好，反过来，只要 log P(y|x) 的负值 -log P(y|x) 越小就行了。那我们就可以引入损失函数，让损失函数去最小值即可，令 Loss = -log P(y|x)，得到损失函数为：
我们已经推导出了单个样本的损失函数，是如果是计算 N 个样本的总的损失函数，只要将 N 个 Loss 叠加起来就可以了：
这样，我们已经完整地实现了交叉熵损失函数的推导过程。
