1.概率与信息量为什么是对数关系的原理：
http://colah.github.io/posts/2015-09-Visual-Information/
2.交叉熵（Cross-Entropy）
交叉熵是一个在ML领域经常会被提到的名词。在这篇文章里将对这个概念进行详细的分析。
1.什么是信息量？
假设
X
是一个离散型随机变量，其取值集合为
X
，概率分布函数为
p(x)=Pr(X=x),x∈X
，我们定义事件
X=x0
的信息量为：
I(x0)=−log(p(x0))
，可以理解为，一个事件发生的概率越大，则它所携带的信息量就越小，而当
p(x0)=1
时，熵将等于0，也就是说该事件的发生不会导致任何信息量的增加。举个例子，小明平时不爱学习，考试经常不及格，而小王是个勤奋学习的好学生，经常得满分，所以我们可以做如下假设：
事件A：小明考试及格，对应的概率
P(xA)=0.1
，信息量为
I(xA)=−log(0.1)=3.3219
事件B：小王考试及格，对应的概率
P(xB)=0.999
，信息量为
I(xB)=−log(0.999)=0.0014
可以看出，结果非常符合直观：小明及格的可能性很低(十次考试只有一次及格)，因此如果某次考试及格了（大家都会说：XXX竟然及格了！），必然会引入较大的信息量，对应的
I
值也较高。而对于小王而言，考试及格是大概率事件，在事件B发生前，大家普遍认为事件B的发生几乎是确定的，因此当某次考试小王及格这个事件发生时并不会引入太多的信息量，相应的
I
值也非常的低。
2.什么是熵？
那么什么又是熵呢？还是通过上边的例子来说明，假设小明的考试结果是一个0-1分布
XA
只有两个取值{0：不及格，1：及格}，在某次考试结果公布前，小明的考试结果有多大的不确定度呢？你肯定会说：十有八九不及格！因为根据先验知识，小明及格的概率仅有0.1,90%的可能都是不及格的。怎么来度量这个不确定度？求期望！不错，我们对所有可能结果带来的额外信息量求取均值（期望），其结果不就能够衡量出小明考试成绩的不确定度了吗。
即：
HA(x)=−[p(xA)log(p(xA))+(1−p(xA))log(1−p(xA))]=0.4690
对应小王的熵：
HB(x)=−[p(xB)log(p(xB))+(1−p(xB))log(1−p(xB))]=0.0114
虽然小明考试结果的不确定性较低，毕竟十次有9次都不及格，但是也比不上小王（1000次考试只有一次才可能不及格，结果相当的确定）
我们再假设一个成绩相对普通的学生小东，他及格的概率是
P(xC)=0.5
,即及格与否的概率是一样的，对应的熵：
HC(x)=−[p(xC)log(p(xC))+(1−p(xC))log(1−p(xC))]=1
其熵为1，他的不确定性比前边两位同学要高很多，在成绩公布之前，很难准确猜测出他的考试结果。
可以看出，熵其实是信息量的期望值，它是一个随机变量的确定性的度量。熵越大，变量的取值越不确定，反之就越确定。
对于一个随机变量X而言，它的所有可能取值的信息量的期望（
E[I(x)]
）就称为熵。
X
的熵定义为：
H(X)=Eplog1p(x)=−∑x∈Xp(x)logp(x)
如果
p(x)
是连续型随机变量的pdf，则熵定义为：
H(X)=−∫x∈Xp(x)logp(x)dx
为了保证有效性，这里约定当
p(x)→0时,有p(x)logp(x)→0
当X为0-1分布时，熵与概率p的关系如下图：
可以看出，当两种取值的可能性相等时，不确定度最大（此时没有任何先验知识），这个结论可以推广到多种取值的情况。在图中也可以看出，当p=0或1时，熵为0，即此时X完全确定。
熵的单位随着公式中log运算的底数而变化，当底数为2时，单位为“比特”(bit)，底数为e时，单位为“奈特”。
3.什么是相对熵？
相对熵(relative entropy)又称为KL散度（Kullback-Leibler divergence），KL距离，是两个随机分布间距离的度量。记为
DKL(p||q)
。它度量当真实分布为p时，假设分布q的无效性。
DKL(p||q)=Ep[logp(x)q(x)]=∑x∈Xp(x)logp(x)q(x)
=∑x∈X[p(x)logp(x)−p(x)logq(x)]
=∑x∈Xp(x)logp(x)−∑x∈Xp(x)logq(x)
=−H(p)−∑x∈Xp(x)logq(x)
=−H(p)+Ep[−logq(x)]
=Hp(q)−H(p)
并且为了保证连续性，做如下约定：
0log00=0，0log0q=0，plogp0=∞
显然，当
p=q
时,两者之间的相对熵
DKL(p||q)=0
上式最后的
Hp(q)
表示在p分布下，使用q进行编码需要的bit数，而H(p)表示对真实分布
p
所需要的最小编码bit数。基于此，相对熵的意义就很明确了：
DKL(p||q)
表示在真实分布为p的前提下，使用q分布进行编码相对于使用真实分布p进行编码（即最优编码）所多出来的bit数。
4. 什么是交叉熵？
交叉熵容易跟相对熵搞混，二者联系紧密，但又有所区别。假设有两个分布
p，q
，则它们在给定样本集上的交叉熵定义如下：
CEH(p,q)=Ep[−logq]=−∑x∈Xp(x)logq(x)=H(p)+DKL(p||q)
可以看出，交叉熵与上一节定义的相对熵仅相差了
H(p)
,当
p
已知时，可以把
H(p)
看做一个常数，此时交叉熵与KL距离在行为上是等价的，都反映了分布p，q的相似程度。最小化交叉熵等于最小化KL距离。它们都将在
p=q
时取得最小值
H(p)
（p=q时KL距离为0），因此有的工程文献中将最小化KL距离的方法称为Principle of Minimum Cross-Entropy (MCE)或Minxent方法。
注：最大似然估计与散度（或者交叉熵）等效
特别的，在logistic regression中，
p:真实样本分布，服从参数为p的0-1分布，即
X∼B(1,p)
q:待估计的模型，服从参数为q的0-1分布，即
X∼B(1,q)
两者的交叉熵为：
CEH(p,q)
=−∑x∈Xp(x)logq(x)
=−[Pp(x=1)logPq(x=1)+Pp(x=0)logPq(x=0)]
=−[plogq+(1−p)log(1−q)]
=−[yloghθ(x)+(1−y)log(1−hθ(x))]
对所有训练样本取均值得：
−1m∑i=1m[y(i)loghθ(x(i))+(1−y(i))log(1−hθ(x(i)))]
这个结果与通过最大似然估计方法求出来的结果一致。