# 温度改变什么，不改变什么？
[独立阅读](/course/blocks/temperature-ranking-probability-gradient.html)**课堂上下文：从哪个问题来**
这一页把相似关系变成可优化的概率与损失。分数、温度、softmax和负对数必须能对上同一组数。


固定相似度为 $(0.8,0.4,0.2)$，第一项是正例。温度1、0.5、0.1时，正例概率分别约0.4506、0.5713、0.9796。排序完全不变，但概率越来越集中。若正例分数低于最强负例，低温度也会更尖锐地放大错误选择。



梯度能解释其作用：$\partial L/\partial s_+=(p_+-1)/\tau$，负例为 $p_j/\tau$。温度既改变分母中的尺度，也改变概率。因此“温度越低，梯度越大”并不总成立：正例已经几乎确定时，$1-p_+$也会接近零。



把温度调低造成的loss下降，不能当作表示已经改善。温度是训练条件，最终仍用固定读出协议评价。课堂上可以让学生先预测哪一项概率增加，再计算；避免同时改相似度、候选数和温度，使原因无法辨认。


## 继续阅读与实验