1. 概念

KL散度可以用来衡量两个概率分布之间的相似性，两个概率分布越相近，KL散度越小。

上述公式表示P为真实事件的概率分布，Q为理论拟合出来的该事件的概率分布。D(P||Q)（P拟合Q）和D(Q||P)（Q拟合P）是不一样的。

2. 举例

班里男生人数占40%，女生占60%，则班里随机抽取一个人的性别的概率分布是Q = [0.4, 0.6]。作为真实事件的概率分布。
小明猜测班里男生占30%，女生占70%，则小明拟合的概率分布P1 = [0.3, 0.7]。
小红猜测班里男生占20%，女生占80%，则小红拟合的概率分布P2 = [0.2, 0.8].
那么现在，小明和小红谁预测的概率分布离真实分布比较近？这时候就可以用KL散度来衡量P1与Q的相似性、P2与Q的相似性，然后对比可得谁更相似。

小明是模拟概率分布（对应Q1），真实概率分布对应P，所以 KL1 = KL(P||Q) = KL([0.4, 0.6] | [0.3, 0.7]) = (0.4log0.4 - 0.4log0.3) + (0.6log0.6 - 0.6log0.7) = 0.0226；同理小红是模拟概率分布（对应Q2），真实概率分布对应PKL2=KL(P||Q2) = KL([0.4, 0.6] | [0.2, 0.8]) = (0.4log0.4 - 0.4log0.2) + (0.6log0.6 - 0.6log0.8) = 0.1046。
KL1比KL2小，说明Q1与P更接近。

这个例子很直观，不用计算就可以猜测出结果，但是当分布复杂的情况下，用KL散度就比较好度量。如一个数据集分布未知，想用数学公式来表达，比如高斯分布、泊松分布、韦伯分布等，这些分布哪个更适合用来表示数据集的分布。则可以计算拟合曲线与数据集真实分布的KL散度，选择KL散度最小的作为数据集的概率分布表达式。
如：用高斯分布拟合数据集分布时，统计均值μ，标准差σ，则可得到高斯分布表达式：
再用高斯分布表达式不同自变量x1,x2,…计算出不同类别的概率q1,q2…，即概率分布Q=[q1, q2,…]，与真实的概率分布P = [p1,p2,…]通过上面公式计算得到KL散度。
同理，计算其他拟合分布与真实分布的KL散度，对比得到最优用来拟合真实数据的概率分布表达式。

3. Pytorch计算KL散度

现在，明白了什么是KL散度，可以用pytorch自带的库函数来计算KL散度。
使用pytorch进行KL散度计算，可以使用pytorch的kl_div函数，假设Y_true为真实分布，Y_pred为预测分布。

import torch.nn.functional as F
kl = F.kl_div(Y_pred.log_softmax(dim=-1).log(), Y_true.softmax(dim=-1), reduction='sum')

其中kl_div接收三个参数，第一个为预测分布，第二个为真实分布，第三个为reduction。(其实还有其他参数，只是基本用不到)

这里有一些细节需要注意，第一个参数与第二个参数都要进行softmax(dim=-1)，目的是使两个概率分布的所有值之和都为1，若不进行此操作，如果x或y概率分布所有值的和大于1，则可能会使计算的KL为负数。softmax接收一个参数dim，dim=-1表示在最后一维进行softmax操作。除此之外，第一个参数还要进行log()操作（至于为什么，大概是为了方便pytorch的代码组织，pytorch定义的损失函数都调用handle_torch_function函数，方便权重控制等），才能得到正确结果。

第三个参数reduction有三种取值，为 none 时，各点的损失单独计算，输出损失与输入（x）形状相同；为 mean 时，输出为所有损失的平均值；为 sum 时，输出为所有损失的总和。

需要清晰的一点解释是：D(P||Q)中P和Q的实际意义，P代表真实概率，也就是对应的是ground truth归一化+log(是否进行log由kl_div()的最后一个参数log_target确定，默认为False即认为输入kl_div()的第二个参数target未进行log)。那么Q就是对应的log(softmax(logit))。这两点才是实际中的定义，所以并没有相反一说，并且调用kl_div()是参数名称也非常明确了，第一个参数是input，第二个参数是target。

代码举例：

#target没有log
import torch
import torch.nn as nn
import torch.nn.functional as F
kl_loss = nn.KLDivLoss(reduction="batchmean")
# input should be a distribution in the log space
input = F.log_softmax(torch.randn(3, 5, requires_grad=True), dim=1)
# Sample a batch of distributions. Usually this would come from the dataset
target = F.softmax(torch.rand(3, 5), dim=1)
output = kl_loss(input, target)

target没有log输出结果：

输出结果：tensor(0.3441, grad_fn=)

#target有log
import torch
import torch.nn as nn
import torch.nn.functional as F
kl_loss = nn.KLDivLoss(reduction="batchmean", log_target=True)
input = F.log_softmax(torch.randn(3, 5, requires_grad=True), dim=1)
log_target = F.log_softmax(torch.rand(3, 5), dim=1)
output = kl_loss(input, log_target)

target有log输出结果：

tensor(0.4346, grad_fn=)

4. 我理解的交叉熵和KL

交叉熵作为深度学习常用的损失函数，可以理解为是KL散度的一个特例。当概率分布中的值只取1或0时，可以看作KL散度。但是两者又有区别，KL散度中概率分布所有值之和为1，而交叉熵则可以大于1，如[0,1,0,1,0,0,]。

从概念上讲，KL 散度通常用来度量两个概率分布之间的差异。
交叉熵用来求目标与预测值之间的差距，数据分布不一定是概率分布。

设数据的真实分布为 P(x)，而Q(x)表示我们模型预测出来的数据分布，那么KL散度则为：

化简就是：

因为P(x)是真实分布，也即是由上面公式可知D(P||Q)前面一项是固定的，所以只要后面的项越小，KL散度就越小，也就是损失越小。

而交叉熵是KL的一个特例，也用上面的公式计算loss，因为label是采用one-hot格式，即是正确label处的值为1，其余label处的值为0，因此D(P||Q)前面一项是0，就只剩后面一项，因此定义了一个计算loss的交叉熵损失函数，也就是，因此KL散度等于KL前面一项（熵）加上交叉熵，一定程度上优化kl散度和优化交叉熵是等价的：

5.参考链接

KL散度理解以及使用pytorch计算KL散度
为什么 不用KL散度作为损失函数? 感觉这个问题描述得不怎么准确？？？