判别模型输出一些张量$Y$描述给定输入张量的标签$X$描述一些输入数据。映射方法$X$到$Y$可能是确定性的或不是确定性的 - 没有必要这样做（考虑采用确定性模型并向其添加少量随机噪声的示例，因此它可能是$1\%$不太准确，更随机）。模型的准确度是验证/测试数据的平均准确度。该模型估计标签的概率$Y$给定输入数据是$X: P\left(Y|X\right)$.

生成模型生成一个张量，该张量是从与某些训练数据的分布相似（作为学习的结果）的学习分布中提取的。对于序列生成，生成张量的概率 ($X$，比如说）在时间 t 取决于张量在时间步生成的概率$t-1$是正确的（$P\left(Y\right)$，比如说）和新张量的概率（$X$）如果前一个被认为是给定的（概率$X$给定$Y$， 或者$P\left(X|Y\right)$）。最近生成的张量的概率是$P\left(X|Y\right) \cdot P\left(Y\right)$.

我真的不喜欢你正在阅读的文本中的符号，我同意你的观点，它令人困惑。但是，在回答您的问题“为什么我们表示$P\left(Y|X\right)$对于判别模型”：模型输出始终是估计值，并且应该理想地反映输入数据不能完美预测类别的事实。也就是说，即使是确定性模型也应该用概率语言传达它们的估计值；例如，即使是确定性模型可能会给出一个可以解释为“$80\%$当时，具有这些特征的输入数据意味着类是 C"