https://zhuanlan.zhihu.com/p/95687720

KL Divergence

用于衡量两种分布相似程度的统计量，越小，表示两种概率分布越接近。

所谓KL散度，是指当某分布q(x)被用于近似p(x)时的信息损失。

也就是说，q(x)能在多大程度上表达p(x)所包含的信息，KL散度越大，表达效果越差。

KL散度就是为了度量这种损失而被提出的。

若我们使用分布q来表示分布p，那么信息熵的损失如下

信息熵损失

可将该式写作期望的形式

稍加变形，称为定义中的形式

 

 

Entropy

如果式中的log以2为底的话，我们可以将这个式子解释为：要花费至少多少位的编码来表示此概率分布。从此式也可以看出，信息熵的本质是一种期望。

JS divergence

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。

定义如下：

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，这就意味这一点的梯度为 0。

JS距离在两个数据集近似没有重叠的情况下，等于常数Log2,所以出现梯度消失的问题。

Wasserstein距离

最大的好处就是不用管数据分布有没有重叠

优点：

 

 

 

 

 

 

 

总结

以上是生活随笔为你收集整理的KL散度-Entropy-JS散度-W距离的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。