softmax交叉熵与最大似然估计

其实我们常用的 softmax 交叉熵损失函数，和 最大似然估计是等价的。

首先来看 softmax 交叉熵目标函数是什么样子的： 对于N个样本

obj=−∑nNy(n)jlogf(x(n);w)j=−∑nNlogf(x(n);w)j

j: 第 n 个样本属于 第 j 类， f 代表神经网络。

如果用最大似然估计呢？即：最大化已出现的样本的概率

objlogobj=∏nNp(y(n)|f(x(n);w))=∑nNlogp(y(n)|f(x(n);w))=∑nNlogf(x(n);w)j

最大化上式等价于最小化 负的上式，所以和 softmax 交叉熵是等价的。

所以，softmax 交叉熵也是想 最大化 已出现样本的概率。