使用sigmoid+二元交叉熵训练的模型如何输出类别概率而非0/1值？

问题原因 #

你遇到的现象本质是两个层面的问题：

1. API认知误区
   TensorFlow 2.6及以上版本中，model.predict_proba()方法已经被正式废弃，它和model.predict()的功能完全一致，都是直接返回模型最后一层的输出值，并不会额外做0/1的二值化处理，你看到的[1.]本身就是sigmoid激活层的输出结果，不是分类后的标签。
2. 模型输出置信度过高
   因为二分类任务常见的类别不平衡、模型过拟合等问题，最终全连接层输出的logits（sigmoid的输入值）绝对值通常会非常大，经过sigmoid激活后数值会被挤压到非常接近0或者1的边界：比如sigmoid(8)≈0.9997，sigmoid(10)≈0.99995，在默认的浮点数打印精度下就会显示为1.或者0.，但本质上还是(0,1)区间内的浮点数，只是数值太接近边界。

你可以用以下代码验证数值的真实值：

pred = model.predict(c)
# 打印16位精度的概率值，就能看到不是严格的1
print(f"原始概率值：{pred[0][0]:.16f}")

解决方法 #

1. 直接用现有输出做阈值调整
   你当前拿到的pred本身就是你需要的类别概率，不需要额外修改获取逻辑，阈值判断可以直接写为：

threshold = 0.99
y_classes = (pred > threshold).astype(int).ravel()

2. 如果需要获得更分散的概率分布（降低模型置信度）

• 增加数据增强策略，针对CT图像做随机翻转、旋转、裁剪、对比度调整等操作，降低过拟合风险
• 在卷积层、全连接层前增加正则化项，比如L2正则、Dropout层
• 替换损失函数为Focal Loss，或者在训练时传入class_weight参数平衡类别权重，缓解类别不平衡导致的模型过度置信问题

内容的提问来源于stack exchange，提问作者Kenan Morani