李沐动手学深度学习
课程网址：https://courses.d2l.ai/zh-v2/
包含教材和视频网址链接

关于熵，教材中的描述非常形象，那就是描述信息量多少。当我们根据一些数据去预测一个结果，如果这些数据都单一的指向结果，那么这些数据对结果的预测没有信息量。但如果这些数据不能直接指向预测的结果，我们会感到很诧异，相比下来这些数据包含了更多的信息量。（感觉类比于程序员修bug，越是输出不符合预期，这个bug的信息量就越多。）

我们对于模型的最终表现期望，就是对于已知数据集的分布，预测出来的概率分布趋近于实际的分布，也就是模型在训练的过程中，熵是不断减小的过程。

交叉熵损失函数的表达是：

其中y_hat是softmax函数，保证输出的类别概率在0-1之间，并且概率总和为1，相当于对输出做了规范。将softmax函数带入上式求导


神奇的一幕出现了，损失函数对于未规范化的估计值梯度，表示的就是观测值和估计值的差，模型训练过程中，随着梯度的减小（随机梯度下降），观测值和估计值的差也会减小。

如果理解有误，欢迎交流讨论！