在做tensorflow对手写mnist字体识别中，用到了交叉熵来定义损失函数的方法，看着别人用这个，但是又不知道原理，
心里特别的不踏实，就特地查了一些资料了解了一下：
事先说明一下，我在做mnist数据集的时候，我做了数据的归一化操作，也就是说，我最终的到的是一个概率；
而交叉熵的定义就是：衡量两个概率分布的差异性，而恰好这个函数有两个参数，一个是预测（logist）的，一个是我们输入的
标签（labels）；这样我们就得到了这个损失函数了；
此处再给一下标准定义：
交叉熵（Cross Entropy）是Shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。语言模型的性能通常用交叉熵和复杂度（perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。
交叉熵的应用：
交叉熵可在神经网络(机器学习)中作为损失函数，p表示真实标记的分布，q则为训练后的模型的预测标记分布，交叉熵损失函数可以衡量p与q的相似性。交叉熵作为损失函数还有一个好处是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题，因为学习速率可以被输出的误差所控制。
[1]
在特征工程中，可以用来衡量两个随机变量之间的相似度。
在语言模型中（NLP）中，由于真实的分布p是未知的，在语言模型中，模型是通过训练集得到的，交叉熵就是衡量这个模型在测试集上的正确率。