TensorFlow称softmax的每个输入为logit。他们进一步定义softmax的输入/输出为：“未缩放的对数概率。”

维基百科和其他来源表示，logit是对数几率的对数，并且是sigmoid/逻辑函数的逆函数。即，如果sigmoid(x) = p(x)，那么logit( p(x) ) = log( p(x) / (1-p(x)) ) = x。

TensorFlow将softmax的输入称为“logits”是否有数学或惯例上的理由？它们不应该仅仅被称为“未缩放的对数概率”吗？

也许TensorFlow只是想在二元逻辑回归（在此使用logit一词是有意义的）和类别逻辑回归中保持相同的变量名称…

这个问题在这里有过一些讨论，但似乎没有人对使用“logit”一词来表示“未缩放的对数概率”感到困扰。

回答：

如今，在机器学习社区中，logit被用于任何未归一化的概率分布（基本上是任何通过无参数变换映射到概率分布的东西，如二元变量的sigmoid函数或多项式变量的softmax）。这不是一个严格的数学术语，但已经足够流行，以至于被纳入TensorFlow的文档中。