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，。
说起交叉熵损失函数「Cross Entropy Loss」,脑海中立马浮现出它的公式: 我们已经对这个交叉熵函数非常熟悉,大多数情况下都是直接拿来使用就好。
但是它是怎么来的?为什么它能表征真实样本标签和预测概率之间的差值?上面的交叉熵函数是否有其。
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。