logits（未正規化輸出 / 對數機率）

Logits 是網路的原始輸出分數，在被轉成機率之前的樣子。它們是無界的實數（可正、可零、可為很大的正值），logit 愈大代表「支持此類別的證據」愈多。softmax 或 sigmoid 是稍後把 logits 壓成乾淨機率分布的東西，但 logits 本身是最終線性層產生的未正規化分數。可把它們想成模型對證據的計分，尚未換算成百分比。

在分類器中，最終的全連接層輸出一個 logit 向量 z 屬於 R^K，每個類別一個分數；softmax 再把 z 映成機率 p = softmax(z)。這個名字來自 logit（對數勝算, log-odds）函數，即 sigmoid 的反函數：對兩類別而言，單一 logit 等於 log(p/(1-p))。由於 softmax 具平移不變性（對每個 logit 加同一常數不改變機率），只有 logits 之間的差有意義；絕對水準是個可任意選的標度。

差決定了預測的類別，但 logits 的整體尺度決定信心：把所有 logits 乘上一個大因子，softmax 就銳化趨向 one-hot（過度自信）；縮小它們則壓平趨向均勻。這正是溫度旋鈕，也是現代網路常校準不佳的原因，其 logit 尺度產生的機率比真實準確率所應有的更極端。溫度縮放是最簡單的校準法，它只是在訓練後把 logits 除以一個學到的純量 T，使機率變得誠實。

永遠把 logits 留著：需要數值穩定的損失函數與指標是在 logits 上、而非機率上運算的。框架的交叉熵與二元交叉熵直接接受 logits，並在內部以穩定數學套用 log-softmax 或 sigmoid，所以你不該事先套 softmax。Logits 也餵入知識蒸餾（學生去匹配教師的溫度縮放 logits）與基於能量的分布外（out-of-distribution）偵測（logits 的 logsumexp 是一個能量分數，用來標示與訓練資料不同的輸入）。