温度缩放 Logits
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)。
🖼️ 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。
📐 计算公式与说明
scaled = logit / T；T>1 更平滑，T<1 更尖锐
仅用于演示 softmax 前缩放，不改变 argmax。
📚 深度解析：温度缩放 Logits
💡 常见使用场景
- 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。
校准演示
logits=[3,1,0]，T=1 → 概率≈[0.8438,0.1142,0.0420]；T=2 → [0.6285,0.2312,0.1402]，最高概率由 84.38% 降到 62.85%，更接近真实准确率即达到校准目的；T=0.5 → [0.9796,0.0179,0.0024] 过度自信。注意缩放只改数值大小，argmax 仍是第 1 类。
❓ 常见问题（FAQ）
- 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。