uibarbuttonitem 系统默认距离是多少

Posted 2023-04-06

参考技术A backBarButtonItem和leftBarButtonItem的设置是不同的，leftBarButtonItem是设置的当前的NavigationController，而backBarButtonItem是设置的下一个页面的navigationController，例如A push 了 B，在A中设置backBarButtonItem是设置了B的navigationController的barbuttonItem。它是一个返回按钮，能改变他的style，方法定义应该是没有反应的，你可以试试!

概率距离度量方式

1. 信息熵
   信息熵是信息论中用于度量信息量的一个概念。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。所以，信息熵也可以说是系统有序化程度的一个度量。信息量是对信息的度量，就跟时间的度量是秒一样，当我们考虑一个离散的随机变量 x 的时候，当我们观察到的这个变量的一个具体值的时候，我们接收到了多少信息呢？多少信息用信息量来衡量，我们接受到的信息量跟具体发生的事件有关。信息的大小跟随机事件的概率有关。越小概率的事情发生了产生的信息量越大，如湖南产生 的地震了；越大概率的事情发生了产生的信息量越小，如太阳从东边升起来了（肯定发生嘛， 没什么信息量）。这很好理解！因此一个具体事件的信息量应该是随着其发生概率而递减的，且不能为负
   [H(x)=-sum p(x)log p(x)]
   1.KL散度(相对熵)

   KL散度又称为相对熵，信息散度，信息增益。KL散度是是两个概率分布P和Q 差别的非对称性的度量。常用于衡量两个概率分布之间的差异或相似度，或衡量利用Q拟合P时的能量消耗 KL散度是用来 度量使用基于Q的编码来编码来自P的样本平均所需的额外的位元数。 典型情况下，P表示数据的真实分布，Q表示数据的理论分布，模型分布，或P的近似分布。其定义如下:
   [D_{KL}(P|Q)=sum_{xin i}P(x_i) log frac{P(x_i)}{Q(x_i)}]
   [D_{KL}(P|Q)=sum_{xin i}P(x_i)*log P(x_i)-P(x_i)log Q(x_i)]
   此处我们可以看到, 等号左边是熵, 右边就是交叉熵
   有时会将KL散度称为KL距离，但它并不满足距离的性质：

   • KL散度不是对称的: (D(P|Q)!=D(Q|P))
   • KL散度不满足三角不等式。

2.JS散度

JS散度度量了两个概率分布的相似度，基于KL散度的变体，解决了KL散度非对称的问题。一般地，JS散度是对称的，其取值是0到1之间,一般地，JS散度是对称的，其取值是0到1之间。若两个分布完全没有交集，那么JS散度取最大值1；若两个分布完全一样，那么 JS 散度取最小值 0。
定义如下：
[JS(P_1|P_2)=frac{1}{2}KL(P_1||frac{P_1+P_2}{2})+frac{1}{2}KL(P_2||frac{P_1+P_2}{2})]
KL散度和JS散度度量的时候有一个问题：
如果两个分配P,Q离得很远，完全没有重叠的时候，那么KL散度值是没有意义的，而JS散度值是一个常数。这在学习算法中是比较致命的，这就意味这这一点的梯度为0。梯度消失了。

1. Wasserstein距离(EM距离)：解决JS和KL距离的缺点
   Wessertein距离相比KL散度和JS散度的优势在于：即使两个分布的支撑集没有重叠或者重叠非常少，仍然能反映两个分布的远近。而JS散度在此情况下是常量，KL散度可能无意义。
   wasserstein距离就是衡量把概率分布q“搬到” p的最小代价。

   Wasserstein距离度量两个概率分布之间的距离，定义如下：
   [W(P_1,P_2)=inflimits_{gamma-prod(P_1,P_2)}E_{(x,y)-gamma}[||x-y||]]
   其中, (prod(P_1,P_2))是(P_1,P_2)组合起来的,所有可能的联合分布, 对于每一个可能的分布(gamma)而言, 我们都可以采样到(x,y), 并计算他们的距离的期望值, 一般, 在代码实现的时候, 会直接取平均值