链接：https://www.zhihu.com/question/60751553/answer/1986650670
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
logit原本是一个函数，它是sigmoid函数（也叫标准logistic函数） 的反函数：
。logit这个名字的来源即为logistic unit。
但在深度学习中，logits就是最终的全连接层的输出，而非其本意。通常神经网络中都是先有logits，而后通过sigmoid函数或者softmax函数得到概率 的，所以大部分情况下都无需用到logit函数的表达式。
什么时候我们会真的需要用到logit函数呢？考虑这样一个问题：如果我们拿到了一个黑盒模型的概率输出，想要用这个模型生成一批数据来distill我们自己的模型，但distill过程往往又需要调节温度项来重新计算概率（大概是这么个形式： ），此时我们就需要从概率值反推logits了，而反推的过程就如上边的公式所述：
。所以对于logistic regression来说，logit恰好是输出概率经过logit函数的结果，因此即使我们并没有真正地用到logit函数，也不妨将其称作logit。
但是，目前大家用得更多的是多分类的softmax函数，而它的反函数其实并不是logit函数，而是log函数 ，这样再次经过softmax函数：
，就得到了原来的概率。这里需要注意的是：所有logits共同减去一个数字，其得到的softmax结果是不变的，所以得到的logits并不一定与原始logits一模一样，而是会相差一个常数。
由此可见，使用logit一词来表示网络最后一层的输出，实际上只适用于logistic regression。而对于现在更多使用的多分类器softmax来说，其反函数应该是log函数，而非logit，继续用logit一词实际上是不恰当的。我个人倾向于使用“分数”或者直接说是最后一个全连接层的输出，这样比较形象，也不至于让初学者摸不到头脑。