由于以 sigmoid 激活结束的神经网络输出概率，因此您可以按原样获取网络的输出。

如果你指的是 scikit-learn 的predict_proba，它相当于在 tensorflow 中取模型的 sigmoid-activated 输出。事实上，这正是 scikit-learn 所做的。

例如，如果游览模型类，您将其分类为（因为），概率为。小号$0.8$$1$$1$$0.8 > 0.5$$0.8$

通常二元分类器使用一个输出节点和 Sigmoid 激活函数来实现。在这种情况下，您得到的输出是观察属于 1 类的预测概率（与 0 相比）。如果你想要一个概率分布，你可以简单地将预测的 y 与 1-y 配对，意思是“另一类的概率”。

或者，您可以使用两个输出节点和 Softmax 激活函数来实现模型。然后输出将是两个类的概率分布。

我也在寻找每个预测的置信度。是否有可能与此架构相同，还是需要进行一些修改？

神经网络不计算置信度。已经对如何估计它们进行了许多研究。我更了解的是基于 dropout 作为一种扰动方法。它基于在对模型进行多重预测训练后使用不同级别的 dropout ，并在这些模型上建立标准置信区间。你可以在这里阅读它的介绍。我不得不说，实现并不简单，而且它是一个计算密集型的过程。