这篇相当于看了知乎答主回答后的默写：

先默写下交叉熵损失的公式：

$logP(y|x)=-ylog\hat{y}-(1-y)log(1-\hat{y})$

其中$y$是真实值，$\hat{y}$是预测值

如何推导

首先从sigmoid函数说起：

$g(s)=\frac{1}{1+e^{-s}}$

这个函数通常被用于神经网络的最后一层，作为输出前的最后一层，其中$s$为倒数第二层的输出。因此$g(s)=P(y|x)$，其中$x$为输入，$y$为输出

sigmoid函数的性质是：$s=0$, $g(s)=0.5$. $s>>0$, $g(s)\approx 1$. $s<<0$, $g(s)\approx 0$.

则$\hat{y}=P(y=1|x)$. $1-\hat{y}=P(y=0|x)$.

利用最大似然估计将上述两个式子合并（并不太懂是怎么合并的，在我的认知中，最大似然估计，是在已知分布表达式的情况下，通过样本和真实值反推模型参数的方法）：

$P(y|x)={\hat{y}}^y(1-\hat{y}{)}^{1-y}$

同取对数得到：

$logP(y|x)=ylog\hat{y}+(1-y)log(1-\hat{y})$

对其取负得到：

$Loss=-ylog\hat{y}-(1-y)log(1-\hat{y})$

分析上述式子，当$y=1$时，$Loss=-log\hat{y}$，函数图像如下：

当$\hat{y}\to 1(==y)$, $Loss\to 0$
当$\hat{y}\to 0(!=y)$, $Loss\to \infty$
且$\hat{y}\to 0$的过程更加陡峭，代表惩罚更重

同样的，当$y=0$时，$Loss=-log(1-\hat{y})$，函数图像如下：

当$\hat{y}\to 0(==y)$, $Loss\to 0$
当$\hat{y}\to 1(!=y)$, $Loss\to \infty$
且$\hat{y}\to 1$的过程更加陡峭，代表惩罚更重

搞定！