21岁该用什么眼霜呢？

在机器学习任务中，我们通常使用温度参数来调整模型的输出分布。温度参数的取值范围通常在0.1到5之间，其中较小的值会使模型更加确定性，而较大的值则会使模型更加均匀。

当温度参数接近零时，模型输出将趋向于一个独热编码的分布，即只有一个元素的概率为1，其余元素的概率为0。这意味着模型非常确定地选择了最可能的类别，并且忽略了其他类别。

当温度参数接近正无穷大时，模型输出将趋向于一个均匀分布，即所有类别的概率相等。这意味着模型对所有类别都没有偏好，对任意输入都做出相同的预测。

在实际应用中，我们可以根据任务的要求和数据集的特点来选择合适的温度参数。如果任务需要非常确定性的预测结果，则可以选择较小的温度值；如果任务需要考虑多个可能性并保持平衡，则可以选择较大的温度值。

温度参数是一种用于调整模型输出分布的工具，在不同任务和场景下有不同的应用。通过合理选择温度参数，我们可以使模型更好地适应不同的需求。