即使神经网络的输入被缩放或标准化，原始输出值仍然可能超出该范围。

在您的情况下，输出值被解释为做出二进制是/否决定，但原始值不一定被解释为原始概率！它们只是网络的最终激活。

为了达到您的期望，最终的激活通常通过一个softmax函数传递，该函数基本上将您在表中看到的值压缩为每行的总和为 1 - 这使我们可以将它们视为进行最终分类的概率。

在实践中，这意味着只需将 softmax 激活添加到DenseKeras ( ) 中的最后一层activation="softmax"，然后使用以下命令编译模型： loss="categorical_crossentropy"

由于您有 2 个数字，因此您的网络有两个输出节点。例如，女性和男性。在二进制分类中，输出节点是独立的，每个节点的预测是从 0 到 1。因此，您应该考虑一个阈值（通常为 0.5）。然后，如果预测值高于男性的此阈值，则将图像视为男性。