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。

🖼️ Temperature-Scaled Logits Demo

Scale logits by a temperature before softmax and watch the calibrated distribution change, a practical demo of confidence calibration.

📐 计算公式 / 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。

logit 值

温度

对比 logit

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。

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。