Cross Entropy Loss（交叉熵）快速理解

监督学习分为两大类：分类问题和回归问题。简单来说，分类问题目标输出的是离散值，回归问题目标输出的是连续值。但是无论是哪种问题，神经网络模型的效果及优化的目标都是通过损失函数来定义的。

对于回归问题常用的损失函数有：均方误差(MSE)，平均绝对值误差（也称L1损失）等。

对于分类问题，常用的损失函数则为交叉熵（Cross Entropy Loss）。

我们知道，在神经网络中，softmax（）会将神经网络的原始输出值（就是input经过一系列复杂的加权和非线性处理后的值）转化为一个概率值。而交叉熵本质上描述的是两个概率分布的距离，即实际概率与期望概率之间的距离。这就不难理解：交叉熵的值越小，两个概率分布就越接近，也就是预测值越接近期望值。机器学习正是通过这种训练使得每一个样本的交叉熵值越小越好，达到更好的预测效果的。