1.数学表示

这是传统的softmax：

$$q_i=\frac{exp(z_i)}{{\sum }_{j}exp(z_j)}$$
或者写：
$$q_i=\frac{exp(z_i)/1.0}{{\sum }_{j}exp(z_j/1.0)}$$

这是考虑温度系数的softmax：
$$q_i=\frac{exp(z_i)/T}{{\sum }_{j}exp(z_j/T)}$$
其中 T 是 softmax 函数的温度超参数。

2.对温度系数理解

我们知道模型在训练收敛后，往往通过 softmax 的输出不会是完全符合 one-hot 向量那种极端分布的，而是在各个类别上均有概率，推断时通过 argmax 取得概率最大的类别。Hinton 的文章就指出，教师模型中在这些负类别（非正确类别）上输出的概率分布包含了一定的隐藏信息。

比如 MNIST 手写数字识别，标签为 7 的样本在输出时，类别 7 的概率虽然最大，但和类别 1 的概率更加接近，这就说明 1 和 7 很像，这是模型已经学到的隐藏的知识。
我们在使用 softmax 的时候往往会将一个差别不大的输出变成很极端的分布，用一个三分类模型的输出举例：

可以看到原本的分布很接近均匀分布，但经过 softmax，不同类别的概率相差很大。这就导致类别间的隐藏的相关性信息不再那么明显，有谁知道 0.09 和 0.24 对应的类别很像呢？为了解决这个问题，我们就引入了温度系数。

3.温度系数

我们看看对于随机生成的相同的模型输出，经过不同的函数处理，分布会如何变化：

最左边是我们随机生成的分布来模拟模型的输出：$z\in R^{10}\sim N(10,2)$。中间五幅图是使用 softmax 得到的结果；其中温度系数 $T=1$ 时相当于原始的 softmax；右侧对比了 argmax 得到的结果。可以看出，从左到右，这些输出结果逐渐从均匀分布向尖锐分布过渡，其中保留的除正确类别以外的信息越来越少。下图更加直观地展示了不同的温度系数 $T$ 对输出分布的影响。

不同的曲线代表不同类别上的概率输出，同样 $T=1$ 时代表传统的 softmax，在 时，分布逐渐极端化，最终等价于 argmax，在 $T>2$ 时，分布逐渐趋于均匀分布，10 个类别的概率都趋近于1/10。

这两幅画很好的说明了 softmax 的本质。【相对于 argmax 这种直接取最大的「hardmax」，softmax 采用更温和的方式，将正确类别的概率一定程度地突显出来。而引入温度系数的本质目的，就是让 softmax 的 soft 程度变成可以调节的超参数】。

而至于这个系数为啥叫 Temperature，其实很有深意。我们知道这个场景最早用于模型蒸馏，一般来说蒸馏需要加热，而加热会导致熵增。我们发现，提高温度系数会导致输出分布的信息熵增大！

我们可以轻松地推导出 趋于无穷大时，分布将趋于均匀分布，此时信息熵趋于最大

而当 $T$ 趋于 0 时，正确类别的概率接近 1，softmax 的效果逼近 argmax

  [1].深度学习高温蒸馏：Softmax With Temperature