直观理解为什么分类问题用交叉熵损失而不用均方误差损失?

Posted 2021-03-23 shine-lee

目录

• 交叉熵损失与均方误差损失
• 损失函数角度
• softmax反向传播角度
• 参考

博客：blog.shinelee.me | 博客园 | CSDN

交叉熵损失与均方误差损失

常规分类网络最后的softmax层如下图所示，传统机器学习方法以此类比，

一共有(K)类，令网络的输出为([hat{y}_1,dots, hat{y}_K])，对应每个类别的概率，令label为 ([y_1, dots, y_K])。对某个属于(p)类的样本，其label中(y_p=1)，(y_1, dots, y_{p-1}, y_{p+1}, dots, y_K)均为0。

对这个样本，交叉熵（cross entropy）损失为
[ egin{aligned}L &= - (y_1 log hat{y}_1 + dots + y_K log hat{y}_K) &= -y_p log hat{y}_p &= - log hat{y}_pend{aligned} ]
均方误差损失（mean squared error，MSE）为
[ egin{aligned}L &= (y_1 - hat{y}_1)^2 + dots + (y_K - hat{y}_K)^2 &= (1 - hat{y}_p)^2 + (hat{y}_1^2 + dots + hat{y}_{p-1}^2 + hat{y}_{p+1}^2 + dots + hat{y}_K^2)end{aligned} ]
则(m)个样本的损失为
[ ell = frac{1}{m} sum_{i=1}^m L_i ]
对比交叉熵损失与均方误差损失，只看单个样本的损失即可，下面从两个角度进行分析。

损失函数角度

损失函数是网络学习的指挥棒，它引导着网络学习的方向——能让损失函数变小的参数就是好参数。

所以，损失函数的选择和设计要能表达你希望模型具有的性质与倾向。

对比交叉熵和均方误差损失，可以发现，两者均在(hat{y} = y = 1)时取得最小值0，但在实践中(hat{y}_p)只会趋近于1而不是恰好等于1，在(hat{y}_p < 1)的情况下，

• 交叉熵只与label类别有关，(hat{y}_p)越趋近于1越好
• 均方误差不仅与(hat{y}_p)有关，还与其他项有关，它希望(hat{y}_1, dots, hat{y}_{p-1}, hat{y}_{p+1}, dots, hat{y}_K)越平均越好，即在(frac{1-hat{y}_p}{K-1})时取得最小值

分类问题中，对于类别之间的相关性，我们缺乏先验。

虽然我们知道，与“狗”相比，“猫”和“老虎”之间的相似度更高，但是这种关系在样本标记之初是难以量化的，所以label都是one hot。

在这个前提下，均方误差损失可能会给出错误的指示，比如猫、老虎、狗的3分类问题，label为([1, 0, 0])，在均方误差看来，预测为([0.8, 0.1, 0.1])要比([0.8, 0.15, 0.05])要好，即认为平均总比有倾向性要好，但这有悖我们的常识。

而对交叉熵损失，既然类别间复杂的相似度矩阵是难以量化的，索性只能关注样本所属的类别，只要(hat{y}_p)越接近于1就好，这显示是更合理的。

softmax反向传播角度

softmax的作用是将((-infty, +infty))的几个实数映射到((0,1))之间且之和为1，以获得某种概率解释。

令softmax函数的输入为(z)，输出为(hat{y})，对结点(p)有，
[ hat{y}_p = frac{e^{z_p}}{sum_{k=1}^K e^{z_k}} ]
(hat{y}_p)不仅与(z_p)有关，还与({z_k | k eq p})有关，这里仅看$z_p $，则有
[ frac{partial hat{y}_p}{partial z_p} = hat{y}_p(1-hat{y}_p) ]
(hat{y}_p)为正确分类的概率，为0时表示分类完全错误，越接近于1表示越正确。根据链式法则，按理来讲，对与(z_p)相连的权重，损失函数的偏导会含有(hat{y}_p(1-hat{y}_p))这一因子项，(hat{y}_p = 0)时分类错误，但偏导为0，权重不会更新，这显然不对——分类越错误越需要对权重进行更新。

对交叉熵损失，
[ frac{partial L}{partial hat{y}_p} = -frac{1}{hat{y}_p} ]
则有
[ frac{partial L}{partial hat{z}_p} = frac{partial L}{partial hat{y}_p} cdot frac{partial hat{y}_p}{partial z_p} = hat{y}_p - 1 ]
恰好将(hat{y}_p(1-hat{y}_p))中的(hat{y}_p)消掉，避免了上述情形的发生，且(hat{y}_p)越接近于1，偏导越接近于0，即分类越正确越不需要更新权重，这与我们的期望相符。

而对均方误差损失，
[ frac{partial L}{partial hat{y}_p} = -2(1-hat{y}_p)=2(hat{y}_p - 1) ]
则有，
[ frac{partial L}{partial hat{z}_p} = frac{partial L}{partial hat{y}_p} cdot frac{partial hat{y}_p}{partial z_p} = -2 hat{y}_p (1 - hat{y}_p)^2 ]
显然，仍会发生上面所说的情况——(hat{y}_p = 0)，分类错误，但不更新权重。

综上，对分类问题而言，无论从损失函数角度还是softmax反向传播角度，交叉熵都比均方误差要好。

参考

• Loss Functions
• Why You Should Use Cross-Entropy Error Instead Of Classification Error Or Mean Squared Error For Neural Network Classifier Training