温度缩放 Softmax

📚 深度解析：温度缩放 Softmax

💡 常见使用场景

• 温度缩放 y_i=exp(z_i/T)/Σexp(z_j/T)，T>1 使分布更平滑(更不确定)，T<1 更尖锐。
• T→∞ 趋近均匀分布，T→0 趋近 one-hot(argmax)。
• 温度常用于调节生成多样性与模型校准，不改变 argmax 类别。

❓ 常见问题（FAQ）

温度能校准模型吗？

温度缩放是最简单的后校准方法，调 T 使输出置信度匹配实际准确率；但它只缩放分布、不能修正错误预测的方向。

生成时温度设多高？

创意写作用较高 T(0.7~1.0)增多样性，事实问答用低 T(0~0.3)增确定性；过高会胡言乱语，过低则重复僵化。

页面上为什么要同时给出 T=1、T/2、T×2 三行？

单看一个温度看不出趋势。三行分别代表基准、低温(更尖锐、更自信)与高温(更平缓、更不确定)，可直接读出「T 减半最大概率从 62.85% 升到 84.38%、T 翻倍降到 48.10%」这种量级变化，便于判断该往哪个方向调。温度必须大于 0，T=0 时 logits÷T 无定义。