**softmax 温度：** 采样过程中控制随机性的大小，我们引入一个叫作**softmax 温度**（softmax temperature）的参数，用于表示采样概率分布的熵，即表示所选择的下一个字符会有多么出人意料或多么可预测。  **训练语言模型并从中采样：** 1. 给定目前已生成的文本，从模型中得到下一个字符的概率分布。 2. 根据某个温度对分布进行重新加权。 3. 根据重新加权后的分布对下一个字符进行随机采样。 4. 将新字符添加到文本末尾。 **采样函数**（sampling function）： ~~~ def sample(preds, temperature=1.0): preds = np.asarray(preds).astype('float64') preds = np.log(preds) / temperature exp_preds = np.exp(preds) preds = exp_preds / np.sum(exp_preds) probas = np.random.multinomial(1, preds, 1) return np.argmax(probas) ~~~