温度缩放 Logits 使用指南

温度缩放 Logits 演示器，在 softmax 前对 logits 做温度缩放，演示校准对概率分布形态的影响(不改变 argmax)。

计算公式与原理

z′ = z/T（T>1 平滑分布，T<1 锐化分布）

对 logits 统一除以温度是最简单的概率校准手段，T 在验证集上用 NLL 搜索得到，不改变 argmax 因此不影响准确率，只改善置信度的可靠性（ECE）。它只能校正整体过度/不足自信，无法修正逐类别偏差。

使用步骤

1. 填写「logit 值」。
2. 填写「温度」。
3. 填写「对比 logit」。
4. 结果区会即时更新；可一键复制结果用于记录或汇报。

典型使用场景

• 在 softmax 前对 logits 做 z/T，演示温度对概率形态的影响，不改变 argmax。
• T>1 平滑分布(置信度降低)，T<1 锐化(更自信)，是模型校准常用手段。
• 与生成温度同源：同一机制既可用于校准也可调生成多样性。

算例参考

• 校准演示：logits=[3,1,0]，T=1 概率≈[0.79,0.11,0.10]；T=2 → [0.59,0.23,0.18] 更不确定；模型原自信 79% 经校准可能更接近真实准确率。

注意事项

结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。

温度缩放能提升准确率吗？

不直接提升分类准确率(argmax 不变)，只让输出置信度更'诚实'地反映正确率，对需要可靠概率的应用(如风险决策)很有价值。

T 用什么值校准？

在验证集上用负对数似然最小化搜索最优 T(通常略大于 1)，使预测置信度与经验准确率对齐；是后处理、不改模型权重。