JS散度相似度衡量指標。
https://blog.csdn.net/wateryouyo/article/details/52831115
https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy
KL散度、JS散度和交叉熵
三者都是用來衡量兩個概率分布之間的差異性的指標。不同之處在於它們的數學表達。
對於概率分布P(x)和Q(x)
1）KL散度（Kullback–Leibler divergence）
又稱KL距離，相對熵。
當P(x)和Q(x)的相似度越高，KL散度越小。
KL散度主要有兩個性質：
（1）不對稱性
盡管KL散度從直觀上是個度量或距離函數，但它並不是一個真正的度量或者距離，因為它不具有對稱性，即D(P||Q)!=D(Q||P)。
（2）非負性
相對熵的值是非負值，即D(P||Q)>0。
2）JS散度（Jensen-Shannon divergence）
JS散度也稱JS距離，是KL散度的一種變形。
但是不同於KL主要又兩方面：
（1）值域范圍
JS散度的值域范圍是[0,1]，相同則是0，相反為1。相較於KL，對相似度的判別更確切了。
（2）對稱性
即 JS(P||Q)=JS(Q||P)，從數學表達式中就可以看出。
3）交叉熵（Cross Entropy）
在神經網絡中，交叉熵可以作為損失函數，因為它可以衡量P和Q的相似性。
交叉熵和相對熵的關系：
以上都是基於離散分布的概率，如果是連續的數據，則需要對數據進行Probability Density Estimate來確定數據的概率分布，就不是求和而是通過求積分的形式進行計算了。