分类任务中的logits:从原始分数到概率转换的深度解析

【STM32篇】步进电机之S型曲线 基于STM32 HR4988驱动控制。实现S曲线控制步进电机完成指定频率和范围的运行,实现”电机振动“。 阅读详情

1. 从“原始分数”到“概率”:logits到底是什么?

如果你刚开始接触深度学习做分类任务,可能会被一个词搞懵:logits。模型训练的时候,各种指标看着都挺好,一到实际预测,输出的东西怎么是一堆看起来毫无规律的、正负都有的数字?这玩意儿怎么就成了“猫”或者“狗”的预测结果?别急,这堆数字就是logits,理解它是你真正搞懂模型如何“思考”和“决策”的第一步。

简单来说,你可以把logits想象成一场考试后,老师给每个学生打的“原始卷面分”。这个分数没有经过任何处理,可能因为题目难度不同,有的学生得了150分,有的可能才30分,分数之间没有可比性,更不能直接说“150分的学生有100%的概率是优秀”。在神经网络里,尤其是分类任务的最后一层(通常是全连接层),模型会为每一个可能的类别(比如猫、狗、兔子)计算出一个这样的“原始分数”,这就是logits。它代表了模型对输入样本属于某个类别的“原始信心度”,分数越高,信心越强,但这个信心还没有被标准化,不能直接当作概率来用。

我刚开始用PyTorch做图像分类时,就踩过这个坑。当时我训练了一个10分类的模型,在验证集上准确率有92%,高兴坏了。然后我兴冲冲地打印出模型对一张猫图片的最终输出,看到的却是类似 [2.1, -1.3, 0.4, 5.8, ...] 这样的数组。我当时就愣住了,心想:“这5.8是啥?概率吗?可它比1大啊!这模型到底想说什么?” 后来才明白,我需要一个“转换器”,把这些原始的信心分数,变成我们人类能理解的、所有选项加起来等于100%的概率形式。这个关键的“转换器”,最常用的就是 softmax函数。

所以,logits是模型最“诚实”的原始输出,它尚未经过任何美化或归一化。理解logits到概率的转换,不仅仅是调用一个API那么简单,它关系到你如何解读模型的置信度、如何设计损失函数(比如直接使用logits的交叉熵损失),以及如何在生产环境中处理那些“模棱两可”的预测案例。接下来,我们就一层层剥开这个过程。

2. Softmax:将信心“标准化”为概率的神奇转换

现在我们知道logits是原始分了,那怎么把它变成我们熟悉的概率呢?这就轮到softmax函数登场了。你可以把它看作一个“标准化部门”或者“投票计票系统”,它的核心工作就两条:第一,确保所有类别的输出值都在0到1之间;第二,确保所有类别的输出值加起来等于1。这样一来,每个值就自然成了一个可以被解释为“概率”的数值了。

它的公式看起来可能有点唬人:softmax(z_i) = e^{z_i} / sum(e^{z_j})。别怕,我们拆开看。这里的 z_i 就是第i个类别的logits值。e^{z_i} 是对这个logits取指数,这个操作非常关键,因为它能把所有负数变成正数(因为指数结果永远大于0),并且会放大较大值之间的差距。分母 sum(e^{z_j}) 是对所有类别的指数结果求和,相当于一个“总信心值”。最后,每个类别的指数结果除以这个总和,就得到了它的“概率”。

我举个例子你就明白了。假设我们做一个三分类(苹果、香蕉、橘子),模型对某张图片输出的logits是 [2.0, 1.0, 0.1]。

  1. 第一步,取指数:e^2.0 ≈ 7.39, e^1.0 ≈ 2.72, e^0.1 ≈ 1.10。
  2. 第二步,求和:7.39 + 2.72 + 1.10 = 11.21。
  3. 第三步,各自除以总和:苹果概率 ≈ 7.39/11.21 = 0.659,香蕉概率 ≈ 2.72/11.21 = 0.243,橘子概率 ≈ 1.10/11.21 = 0.098。

看,转换后的概率 [0.659, 0.243, 0.098] 不仅都在0到1之间,而且加起来等于1。模型很明确地告诉我们:“我有65.9%的把握这是苹果,24.3%的把握是香蕉,只有9.8%的把握是橘子。” 这个解释性就比原始的 [2.0, 1.0, 0.1] 强太多了。

在实际写代码时,框架都为我们封装好了。但了解其内部机制至关重要,尤其是在调试的时候。比如,你可能会遇到“数值溢出”的问题。如果某个logits值特别大(比如1000),e^1000 在计算机里会变成一个无穷大(inf)的数,导致计算失败。成熟的深度学习框架(如PyTorch、TensorFlow)在实现softmax时都有数值稳定性的处理,通常会在计算前减去logits中的最大值,这不会改变最终的概率结果,但能有效避免溢出。你在实践中可能不会直接碰到,但知道这个“坑”的存在,能让你更安心。

2.1 为什么是Softmax?其他函数不行吗?

你可能会问,归一化的方法那么多,为什么偏偏是softmax?这其实和它的数学特性有关。Softmax函数是“多项逻辑斯蒂回归”在多元分类上的自然延伸,它与分类任务最常用的损失函数——交叉熵损失(Cross-Entropy Loss) 是天作之合。

在PyTorch或TensorFlow中,当你使用 nn.CrossEntropyLoss 时,一个常见的“最佳实践”是直接向损失函数传入logits,而不是softmax之后的概率。这是因为这些框架内部的 CrossEntropyLoss 已经将 LogSoftmax(对softmax结果取对数)和 NLLLoss(负对数似然损失)高效地结合在了一起。这样做有两个巨大好处:一是数值计算更稳定,二是减少了一次运算步骤,效率更高。

import torch
import torch.nn as nn

# 假设我们有logits和真实标签
logits = torch.tensor([[2.0, 1.0, 0.1]]) # 形状 (batch_size=1, num_classes=3)
labels = torch.tensor([0]) # 真实类别是“苹果”(索引0)

# 正确做法:直接将logits送入CrossEntropyLoss
criterion = nn.CrossEntropyLoss()
loss = criterion(logits, labels)
print(f"Loss (使用logits): {loss.item()}")

# 对比:先手动做softmax再计算(不推荐,仅作演示)
probabilities = torch.softmax(logits, dim=1)
# 手动计算交叉熵会涉及log(probability),如果probability为0可能导致数值问题

如果你先手动做了softmax得到概率,再送入一个需要概率输入的损失函数(如 nn.NLLLoss),反而可能因为对数运算遇到概率为0的情况而产生数值问题(log(0) 是负无穷)。所以,记住这个搭档:在训练时,logits 直接喂给 CrossEntropyLoss;在推理时,logits 经过 softmax 得到可解释的概率。

除了softmax,当然也有其他函数,比如 sigmoid。但sigmoid通常用于多标签分类(一个样本可以同时属于多个类别),因为它独立地对每个类别的logits进行归一化,输出多个介于0和1之间的值,且它们之间相加不一定等于1。而softmax是用于单标签多分类(一个样本只属于一个类别),它让类别之间形成竞争关系。这是选择激活函数时的关键区别。

3. 超越简单预测:Logits和概率的实战深意

理解了转换过程,我们就可以玩点更高级的了。Logits和最终的概率,不仅仅是用来选一个最大值的。在实际项目中,它们能提供丰富的信息,帮助我们构建更鲁棒、更可信的AI系统。

第一,衡量预测置信度。 我们不仅关心模型预测了哪个类别,更关心它对这个预测有多大的把握。比如,在医疗影像诊断中,模型以0.51的概率判为“良性”,以0.49的概率判为“恶性”,和以0.95的概率判为“良性”,以0.05的概率判为“恶性”,这完全是两种不同的情况。前者模型自己都很犹豫,这种预测结果就应该被标记出来,交给人类医生重点复核;而后者模型则非常确信。我们可以设定一个置信度阈值(比如0.8),只有当最高概率超过这个阈值时,我们才采纳模型的自动判断,否则就转为人工处理。这个策略能极大降低自动决策的风险。

第二,实现“拒识”或“未知类检测”。 在开放世界的应用中,模型总会遇到它从未训练过的类别。一个训练来识别猫狗的分类器,如果看到一张汽车图片,它可能也会输出一个概率分布,但通常这个分布会非常“平坦”(比如猫0.4,狗0.6),或者虽然有个最大值,但绝对值很低(比如猫0.7,但这个0.7相对于训练集内的样本来说太低了)。通过分析softmax输出的概率分布(例如,计算熵或最大概率值),我们可以设计规则,当模型“信心不足”时,判定当前输入为“未知类别”,而不是强行在已知类别里选一个。这对于安全关键的应用至关重要。

第三,用于模型集成和知识蒸馏。 Logits本身包含了比单一标签更丰富的“暗知识”。在知识蒸馏中,我们让一个小的“学生模型”去学习大的“教师模型”的行为,而学习的目标不仅仅是最终的硬标签(0或1),更重要的是教师模型输出的logits或经过“温度参数”调制的softmax概率。这些概率分布包含了类别之间的相似性关系(比如,猫和狗在某些特征上可能比猫和汽车更接近),学生模型通过学习这种软目标,往往能获得比直接学硬标签更好的泛化能力。

# 知识蒸馏中带温度参数(T)的softmax示例
def softmax_with_temperature(logits, temperature):
    scaled_logits = logits / temperature
    return torch.softmax(scaled_logits, dim=-1)

teacher_logits = ... # 教师模型输出
temperature = 3.0 # 温度参数,>1会软化概率分布
soft_targets = softmax_with_temperature(teacher_logits, temperature)
# 学生模型的损失函数会同时考虑硬标签和软目标(soft_targets)

3.1 语义分割中的Logits与Argmax操作

在图像语义分割任务中,logits的概念被扩展到了每一个像素点上。这可能是初学者容易混淆的地方。分割模型的输出通常是一个四维张量,形状为 (批大小, 类别数C, 高度H, 宽度W)。对于特征图上的每一个像素位置,模型都输出一个长度为C的logits向量,代表该像素属于C个类别中每一个的原始分数。

此时的处理流程非常经典:

  1. 沿类别维度应用Softmax:在维度 dim=1(类别通道维度)上对logits张量应用softmax函数。这样,每个像素位置都得到了一个概率分布向量,所有C个概率值之和为1。
  2. 沿类别维度应用Argmax:接着,在同一个类别维度 dim=1 上应用 argmax 函数。这个操作会找到每个像素概率向量中值最大的那个索引。这个索引就是模型预测该像素所属的类别标签。
  3. 生成分割图:经过argmax后,四维张量 (B, C, H, W) 变成了三维张量 (B, H, W),其中的每个值都是一个类别ID。这就是我们最终看到的彩色分割掩码图——每个像素都被赋予了一个具体的类别。
# 语义分割中从logits到预测掩码的代码示意
import torch

# 假设模型输出logits,形状为 (1, 3, 256, 256) -> (批大小, 类别数, 高, 宽)
logits = torch.randn(1, 3, 256, 256)

# 步骤1:沿类别维度(dim=1)计算softmax概率
probabilities = torch.softmax(logits, dim=1) # 形状仍是 (1, 3, 256, 256)

# 步骤2:沿类别维度(dim=1)取argmax,得到每个像素的预测类别索引
pred_mask = torch.argmax(probabilities, dim=1) # 形状变为 (1, 256, 256)

print(f"Logits shape: {logits.shape}")
print(f"Probabilities shape: {probabilities.shape}")
print(f"Predicted mask shape: {pred_mask.shape}") # 每个位置是0,1,2中的一个值

这里的关键是理解 “沿着类别通道维度” 这个操作。它意味着对于空间位置 (i, j) 上的一个点,我们是在比较它的C个类别分数,并选出最大的那一个。这个过程在整个HxW的网格上独立进行,最终为图像中的每一个像素都做出了分类决策。

4. 常见陷阱与调优技巧

理论懂了,代码也会写了,但在实际项目里,关于logits和softmax还有一些“坑”和优化点,我结合自己的经验跟大家分享一下。

陷阱一:Logits的数值范围与初始化。 如果网络最后一层的权重初始化不当,可能导致输出的logits值过大或过小。过大的logits经过softmax后,可能会产生非常“尖锐”的概率分布(一个类别接近1,其他全部接近0),这虽然在推理时看起来置信度很高,但在训练初期可能不利于梯度流动,因为错误的类别概率几乎为0,导致梯度很小。通常,配合适当的权重初始化(如He初始化、Xavier初始化)和归一化层(如BatchNorm),logits会处于一个合理的范围。

陷阱二:标签平滑(Label Smoothing)。 这是应对过拟合和提升模型校准度的实用技巧。在分类任务中,我们通常使用one-hot编码作为标签,比如 [1, 0, 0]。这会让模型极力去逼近“绝对正确”,可能导致过拟合,并且让模型对自己的预测过于自信(概率输出非常接近0或1)。标签平滑将硬标签软化,例如,将 [1, 0, 0] 变为 [0.9, 0.05, 0.05]。这样,在计算交叉熵损失时,模型不再需要拼命地把正确类别的概率推到1,把错误类别的概率压到0,从而学到了更泛化、概率输出更“软”的模型。在PyTorch中,CrossEntropyLoss 直接支持 label_smoothing 参数。

# 使用标签平滑的交叉熵损失
criterion = nn.CrossEntropyLoss(label_smoothing=0.1) # 平滑因子0.1
loss = criterion(logits, labels)

技巧:温度缩放(Temperature Scaling)。 这是一个简单的后处理技巧,用于校准模型概率。有时你会发现,模型的准确率很高,但它的预测概率并不“准”——比如,在它预测正确的样本中,平均概率只有0.7,而在预测错误的样本中,平均概率也可能有0.6。这说明概率不能真实反映置信度。温度缩放就是在softmax计算前,将所有logits除以一个大于1的温度系数T(T>1)。prob = softmax(logits / T)。T越大,产生的概率分布越“平缓”(即更不确定);T=1就是标准的softmax。我们可以在一个单独的验证集上寻找最优的T,使得模型输出的概率与其正确率尽可能匹配(例如,在概率为0.8的样本中,模型应有80%的准确率)。这是一个低成本提升模型可解释性的好方法。

最后,关于可视化与调试。 在调试模型时,不要只看最终的准确率。多打印和观察几组logits和softmax之后的值。比如,看看在训练集和验证集上,模型输出的概率分布有什么不同。对于分类错误的样本,看看它的logits是怎样的:是第二高的分数和最高分很接近(模型混淆了),还是所有分数都很低(模型完全没看懂)?这些信息对于诊断模型是遇到了困难样本、数据标注有问题,还是模型容量不足,有着直接的帮助。

理解logits,就是理解模型输出最本质的一面。它不是一个黑箱的终点,而是我们窥探模型内部“思考过程”的窗口。从这一堆原始的、未经修饰的数字出发,通过softmax的转换,我们得到了人类可理解的概率,再通过argmax做出决策。这个链条上的每一步,都蕴含着优化模型性能、提升系统可靠性的机会。下次当你调用 model(x) 得到输出时,不妨多花一秒想想它背后的logits故事,也许就能发现新的优化灵感。

如何理解分类任务中的logits? 通过在类别通道维度上应用 argmax 操作,可以找到概率最大的类别,并将该类别的索引作为该像素点的最终预测结果。总结来说,argmax 在类别通道维度上应用,以便为每个像素点找到概率最大的类别,从而生成最终的语义分割图。这是实现语义分割的关键步骤,因为它将每个像素点的类别概率分布转换为具体的类别标签。argmax 会选择每个像素点的概率向量中最大的元素的索引,表示该像素点的预测类别。是模型输出的原始分数,通常是在通过模型的最后一个全连接层之后但在激活函数(如 softmax)之前获得的。 阅读详情

相关推荐

从logits到概率:分类任务中的模型输出解析

本文深入解析了深度学习分类任务中模型输出的logits与概率转换过程。logits是模型输出的未归一化原始分数,通过softmax函数可转换为直观的概率分布。文章详细阐述了softmax的原理、与交叉熵损失的配合,并提供了PyTorch/TensorFlow实战代码,帮助读者掌握从logits到概率的核心机制及其在模型调试与评估中的应用。

weixin_29051149的博客 374

STM32步进电机S型加减速算法

简单说明一下硬件资源,需要用到STM32两个定时器,TIM1产生PWM脉冲并对脉冲个数计数,TIM2开启定时中断用于算法的实现。采用CubeMX+Hal库配置,这里不做详细介绍,重点介绍S型加减速算法的实现。 首先了解一下S曲线函数,见下图: ...

ChenRy的博客 2万+

为什么分类任务要先输出logits再softmax?一文讲透模型设计的底层逻辑

本文深入解析了分类任务中模型先输出logits再应用softmax的底层逻辑。这一设计并非惯例,而是为了确保数值稳定性、实现高效的梯度计算与反向传播,并保持模型架构的灵活性与可扩展性。理解logits的本质及其与softmax的协同作用,是优化模型训练和提升性能的关键。

weixin_28235513的博客 175

STM32HAL库实现步进电机的S型曲线加速

程序启动后,累计输出PWM_NUM(20000)个脉冲,其中加速步数PWM_Count_Max个(8000),最大频率为PWM_FREQ_MAX(1000Hz),最小频率为PWM_FREQ_MIN(800Hz)定时器1的时钟频率1000000是50M经过50分频之后的结果。其中PWM_NUM为总的脉冲数,PWM_Count_Max为S型曲线加速中的前一部分,最大频率1000Hz决定了加速过程中的最大速度。S型曲线加速是指步进电机的启动速度按照S型曲线逐渐增加,以达到设定的最大速度。###main.c中。

weixin_43799870的博客 2349

从图像分割实战看logits:如何用argmax处理多类别像素预测?

本文深入探讨了logits在图像分割中的核心作用,详细解析了如何通过softmax和argmax操作将原始模型输出转化为最终的分割掩膜。文章结合代码示例,从张量维度视角出发,帮助开发者理解logits处理流程,优化模型性能,并避免常见实现陷阱。特别适合从事计算机视觉和分类任务的开发者阅读。

weixin_29090917的博客 249

深入解析Logits与Softmax的奥秘,SOFA 架构--01--简介。

Logits与Softmax是深度学习中处理概率分布的基础工具。理解其数学特性和实际应用中的技巧(如温度调节、数值稳定化),能够优化模型训练和推理效果。结合具体任务需求调整Softmax行为(如蒸馏时使用高温),可进一步提升模型性能。

vqbetkce的博客 516

stm32f103步进电机S曲线加减速计算

步进电机S曲线计算算法

开发学习过程中一点经验积累 2335

步进电机加速s曲线在stm32f103zet6实现c的代码

步进电机 加减速 s曲线 c代码,之前做的项目,在stm32f103zet6实现的代码,可以自动根据位移,最大速度,最大加速度,跃度自动计算定时器的延时值

【C语言】STM32控制步进电机——一种S形加减速曲线的推导与实现

推导并实现电机曲线加减速。

ylc0919的博客 2万+

基于STM32的步进电机S形加减速控制曲线的快速实现方法.pdf

基于STM32的步进电机S形加减速控制曲线的快速实现方法.pdf

《AI应用架构师智能特征工程实践的前沿趋势解读》

面对传统方法的局限性,智能特征工程(Intelligent Feature Engineering)应运而生。智能特征工程是指利用人工智能、机器学习和自动化技术,实现特征提取、构造、选择和优化过程的自动化、智能化和可扩展化的方法和技术体系。效率提升:将数据科学家从繁琐的人工特征工程中解放出来,大幅缩短特征开发周期。质量保障:通过系统化方法发现人类难以察觉的特征模式,提高特征质量和模型性能。可扩展性:能够处理大规模、高维度和多类型的数据,适应不同领域和场景。降低门槛。

大数据洞察的博客 1182

深度学习输出层核心:Logits、Softmax与交叉熵的协同原理与实践

在深度学习分类任务中,模型如何将原始输出转化为可解释的预测概率,并通过损失函数有效指导学习,是理解模型决策机制的基础。这一过程的核心在于输出层的三个关键组件:Logits(原始分数)、Softmax函数和交叉熵损失。Logits代表模型对每个类别的未归一化证据强度,其值域不受限,为优化提供了平滑的操作空间。Softmax函数通过指数归一化,将Logits转换为符合概率公理的概率分布,其与交叉熵损失的组合在数学上形成了完美的闭环。交叉熵作为损失函数,通过衡量预测概率分布与真实标签分布的差异,为模型提供了清晰、

weixin_33738578的博客 677

Linux【实战】—— LAMP环境搭建 & 部署网站

由LinuxApacheMySQLPHP组成的一个web网络平台。

2201_75935630的博客 4982

深度学习分类任务核心:Logits、Softmax与交叉熵损失函数详解

在机器学习与深度学习中,分类任务是基础且核心的问题。其本质是将模型输出的原始分数(Logits)转化为可解释的概率分布,这一过程通常通过Softmax函数实现。Softmax通过指数运算与归一化,将无约束的Logits映射为和为1的概率值,从而量化模型对每个类别的置信度。为了指导模型学习,需要一种衡量预测概率与真实分布差异的方法,交叉熵损失函数便扮演了这一角色。它源于信息论,通过计算负对数似然,为模型提供了清晰、可微的优化目标。理解Logits、Softmax与交叉熵的协同工作原理,对于构建和调试图像分类、

weixin_30432579的博客 754

RocketMq面板访问异常 com.alibaba.fastjson.JSONException: not close json text, token : string

rocketmq JSONException: not close json text, token : string 问题解决

qq_21067307的博客 5575

驱动兼容_FANUC 驱动器兼容问题探讨

近10年来,FANUC伺服驱动器随着系统的升级而升级,不同的系统,可以兼容很多种类的驱动器,作者做了一些常见经验总结如下表:电源模块伺服放大器主轴放大器bi一体18i/OIB/OIC6110-Hxxx6114-Hxxx6111-Hxxx6134-Hxxx31iA/OID6140-Hxxx6117-Hxxx6141-Hxxx6164-Hxxx31IB/35IB/OIF/OI MATE D(5包)62...

weixin_34420941的博客 1753

从图像分类到语义分割:logits在不同CV任务中的处理差异全解析(附PyTorch代码)

本文深入解析了logits在图像分类和语义分割任务中的处理差异,详细介绍了从2D到3D输出的转换逻辑及PyTorch实现。通过对比分析不同CV任务中logits的维度特性和处理技巧,帮助开发者掌握softmax、argmax等关键操作的应用场景,提升模型效果。附带的代码示例展示了分类与分割任务中的logits处理最佳实践。

weixin_30955617的博客 553

SRS(简单实时视频服务) 笔记(5)- 视频录制

在SRS使用中实现视频录制功能。

irainsa的博客 1700

深度学习模型输出解析:从Logits到最终决策的完整指南

在深度学习中,分类与生成任务的核心在于将模型输出的原始分数转化为可理解的预测结果。这一过程通常遵循从Logits到概率分布,再到最终决策的标准流水线。Logits是模型为每个类别计算的原始信念值,反映了模型对每个选项的证据强度。为了将其转化为符合概率公理的解释,需要借助Softmax函数进行归一化处理,该函数通过指数运算放大差异,输出一个总和为1的概率分布。这一转换不仅使模型的“想法”变得直观,更是模型校准、控制输出多样性的关键。例如,通过引入温度系数,可以灵活调节概率分布的锐利与平滑程度,从而在文本生成中

weixin_30565199的博客 400

【RL in VLA】VLA中的强化学习

本文提出了一种名为 Reinforcement Learning Distilled Generalist(RLDG) 的方法,通过强化学习生成高质量训练数据来微调机器人基础模型。通过在多个精确操作任务上的实验,我们证明了 RLDG 在成功率和泛化能力上显著优于使用人类演示的传统微调方法。RLDG 不仅减少了对人类演示数据的依赖,还展示了在复杂多阶段任务中的灵活性和有效性。

三木今天学习了嘛の博客 2257

GEE:使用 CCDC 算法进行连续变化检测和分类

连续变化检测和分类(CCDC)算法是一种广泛应用于遥感数据分析的方法,可以用于检测土地覆盖变化、农作物生长状态的变化以及水资源的变化等。Google Earth Engine是一个强大的云端平台,提供了丰富的遥感数据和工具,可以用于执行各种类型的遥感数据分析。本文将介绍如何使用Google Earth Engine的CCDC算法进行连续变化检测和分类。

养乐多的博客 5682

logits 与 softmax

摘要:Logits是深度学习模型输出的原始分数,相比直接输出概率具有两大优势:1)数值稳定性,避免概率接近零时的计算问题;2)提供更丰富的梯度信号。在大语言模型生成文本时,Logits先为每个候选词计算分数,再通过Softmax转换为概率分布进行抽样。Logits作为"原始想法"(任意实数),经Softmax转化为概率(0-1区间),前者用于稳定训练,后者作为最终输出。这种设计平衡了数值计算和模型表达能力的需求。

AI全栈 和 IT 编程相关分享 1032

【Basis】Lumerical licence center 无法连接的问题

端口,我们需要确认该端口是否被其他程序占用。这里我们将介绍如何处理这一问题。后,今天电脑更新后我无法打开。终结占用该端口的程序后再次打开。

u011699626的博客 315

⚖️Lychee-Rerank参数详解:logits后处理方式(sigmoid/softmax)对分数分布影响

本文介绍了如何在星图GPU平台自动化部署⚖️Lychee-Rerank相关性评分工具,并解析其logits后处理方式(sigmoid/softmax)对分数分布的影响。该工具专用于查询-文档匹配度打分,通过本地化部署可高效处理文档检索与排序任务,提升信息检索的准确性和效率。

CrystalwaveTiger37的博客 903

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

混合搜索中的分数归一化方法深度解析:从 BM25 到 vLLM Cross-Encoder 的 Sigmoid 变换

摘要: 混合搜索中稀疏检索(BM25)与稠密向量分数的异质性导致融合困难。本文对比了最大最小归一化(Min-Max)与Sigmoid变换的优劣,指出Min-Max对离群值敏感且易丢失语义信号,而Sigmoid通过非线性映射提供鲁棒的概率校准,尤其适用于vLLM框架下Cross-Encoder输出的Logits转换。Sigmoid将Logits还原为概率,支持RAG系统的阈值截断和幻觉抑制,是数学上的最优解。工程实践中,动态Sigmoid适用于高精度场景,RRF则提供零样本鲁棒性。正确选择归一化方法可提升混合

炼丹上岸 763

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

上一篇: 基于Multisim的智能八路抢答器设计与仿真优化
下一篇: ICM-20608六轴传感器:从SPI通信到数据解析全流程解析
sql99
博客等级 码龄19年 168粉丝 1905原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值