Logits 被解释为模型的未标准化（或尚未标准化）的预测（或输出）。这些可以给出结果，但我们通常不会停止使用 logits，因为解释它们的原始值并不容易。

看看他们的定义，以帮助理解logits是如何产生的。

让我用一个例子来解释：

我们想训练一个模型来学习如何对猫和狗进行分类，使用每张照片包含一只猫或一只狗。你建立一个模型，给它一些你必须的数据来近似图像和预测之间的映射。然后你给模型一些看不见的照片，以测试它对新数据的预测准确性。由于我们有一个分类问题（我们试图将每张照片归入两个类别之一），该模型将为每个输入图像提供两个分数。它认为图像包含猫的可能性的分数，然后是它认为图像包含狗的分数。

也许对于第一个新图像，您会从16.917猫和狗中获取 logit 值0.772。更高意味着更好，或者（'更有可能'），所以你会说猫就是答案。正确答案是一只猫，所以模型成功了！

对于第二张图像，模型可能会说猫的 logit 值为 1.004，狗的 logit 值为 0.709。所以再一次，我们的模型说我们图像包含一只猫。正确答案又是一只猫，所以模型再次起作用了！

现在我们要比较这两个结果。一种方法是标准化分数。也就是说，我们对 logits 进行归一化！这样做，我们对模型的置信度有了一些了解。

让我们使用softmax，其中所有结果总和1，因此我们可以将它们视为概率：

$$\sigma (\mathbf {z} )_{j}={\frac {e^{z_{j}}}{\sum _{k=1}^{K}e^{z_{k}}}} \hspace{20mm} for \hspace{5mm} j = 1, …, K.$$

对于第一个测试图像，我们得到

$$prob(cat) = \frac{exp(16.917)}{exp(16.917) + exp(0.772)} = 0.9999$$ $$prob(dog) = \frac{exp(0.772)}{exp(16.917) + exp(0.772)} = 0.0001$$

如果我们对第二张图像做同样的事情，我们会得到结果：

$$prob(cat) = \frac{exp(1.004)}{exp(1.004) + exp(0.709)} = 0.5732$$ $$prob(dog) = \frac{exp(0.709)}{exp(1.004) + exp(0.709)} = 0.4268$$

该模型不太确定第二张图像，因为它非常接近 50-50 - 猜测！

您问题引用的最后一部分可能将神经网络称为模型。神经网络的层通常采用输入数据，将其乘以我们想要学习的一些参数（权重），然后应用非线性函数，它为模型提供了学习非线性关系的能力。如果没有这种非线性，神经网络将只是一个线性操作列表，对一些输入数据执行，这意味着它只能学习线性关系。这将是一个巨大的约束，这意味着模型总是可以简化为基本的线性模型。话虽如此，将非线性应用于模型的 logit 输出被认为没有帮助，因为您通常会在做出最终预测之前删除一些信息。在此线程中查找相关评论。

Logits 是模型的非标准化最终分数。您对其应用 softmax 以获得类的概率分布。