Binary cross entropy 二元交叉熵是二分类问题中常用的一个Loss损失函数，在常见的机器学习模块中都有实现。本文就二元交叉熵这个损失函数的原理，简单地进行解释。

首先是二元交叉熵的公式 :
$$Loss=-\frac{1}{N}\sum _{i=1}^N{y}_i\cdot \log (p(y_i))+(1-y_i)\cdot log(1-p(y_i))$$

其中，$y$ 是二元标签 0 或者 1， $p(y)$ 是输出属于$y$ 标签的概率。作为损失函数，二元交叉熵是用来评判一个二分类模型预测结果的好坏程度的，通俗的讲，即对于标签y为1的情况，如果预测值p(y)趋近于1，那么损失函数的值应当趋近于0。反之，如果此时预测值p(y)趋近于0，那么损失函数的值应当非常大，这非常符合log函数的性质。

下面以单个输出为例子，在标签为 $y=1$ 的情况下$Loss=-\log (p(y))$, 当预测值接近1时，$Loss=0$， 反之 $Loss$ 趋向于正无穷。

同样的单个输出为例，当标签 $y=0$时，损失函数 $Loss=-\log (1-p(y))$，当预测值接近0时，$Loss=0$，反之$Loss$ 趋向于正无穷。

之后，再对所有计算出的单个输出损失求和求平均，就可以求出模型针对一组大小为N的输出的Loss了。