损失函数：一般而言，当一种信息出现概率更高的时候，表明它被传播得更广泛，或者说，被引用的程度更高。
我们可以认为，从信息传播的角度来看，信息熵可以表示信息的价值。
H(x) = E[I(xi)] = E[ log(1/p(xi)) ]。
交叉熵损失函数也称为对数损失或者logistic损失。
当模型产生了预测值之后，将对类别的预测概率与真实值（由0或1组成）进行不比较，计算所产生的损失，然后基于此损失设置对数形式的惩罚项。
在神经网络中，所使用的Softmax函数是。
交叉熵损失函数的意义和作用如下：交叉熵（Cross Entropy）是Shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。
语言模型的性能通常用交叉熵和复杂度（perplexity）来衡量。
交叉熵的意义是用该模型对文本识。
交叉熵损失函数CrossEntropy Loss，是分类问题中经常使用的一种损失函数。
公式为：交叉熵Cross Entropy，是Shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。
在信息论中，交叉熵是表示两个概率分布p,q，。
交叉熵损失函数一般用于分类任务：softmax用于多分类过程中 ，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！实际情况证明，交叉熵代价函数带来的训练效果往往比二次代价函数要好。
（1。