Hello blog
导语
2022年5月21日: 使用新的blog主题啦,换新!
新的博客主题是 jekyll-TeXt-theme,非常感谢开发者的贡献!
Jekyll 安装
Ruby2.6
sudo apt-get install ruby2.6
ruby -v
gem -v
Jekyll & bundler
vim ~/.zshrc
# paste below codes
# Install Ruby Gems to ~/gems
export GEM_HOME="$HOME/gems"
export PATH="$HOME/gems/bin:$PATH"
# save & close
# install jekyll and bundler
gem instal...
交叉熵与KL散度概念
交叉熵
熵的本质就是信息量的期望,在本科通信原理课程中有讲述,随机变量的不确定性越大,熵也就越大,计算公式为
\[H(p) = - \sum_{i} p(i) log p(i)\]
交叉熵是通过非真实分布q来表示真实分布p的平均编码长度, 计算公式为
\[H(p,q) = - \sum_i p(i) log q(i)\]
根据吉布斯不等式有$ H(p,q) \ge H(p)$恒成立, 当q取真实分布p时,等式成立。
KL散度
KL散度的计算公式
\[D(p\|q) = H(p,q) - H(p) = \sum_i p(i) log \frac{p(i)}{q(i)}\]
交叉熵经常在机器学习中作为损失函数使用,用来评估模型预测的分布与真实分布的相似性。
参考
...