在文档中，predict_proba(self, x, batch_size=32, verbose=1)的描述是

逐批生成输入样本的类别概率预测。

并返回

一个包含概率预测的Numpy数组。

假设我的模型是二分类模型，输出是否为[a, b]，其中a是class_0的概率，b是class_1的概率？

回答：

这里的情况有所不同，而且在某种程度上可能具有误导性，特别是当你将predict_proba方法与sklearn中同名的方法进行比较时。在Keras（不是sklearn的包装器）中，predict_proba方法与predict方法是完全相同的。你甚至可以在这里查看：

def predict_proba(self, x, batch_size=32, verbose=1):        """逐批生成输入样本的类别概率预测。
        # 参数
            x: 输入数据，作为Numpy数组或Numpy数组列表（如果模型有多个输入）。
            batch_size: 整数。
            verbose: 详细模式，0或1。
        # 返回
            一个包含概率预测的Numpy数组。
        """        preds = self.predict(x, batch_size, verbose)        if preds.min() < 0. or preds.max() > 1.:            warnings.warn('网络返回无效的概率值。 '                          '最后一层可能没有将预测标准化为概率 '                          '（如softmax或sigmoid所做的那样）。')        return preds

因此，在二分类的情况下，你得到的输出取决于你的网络设计：

• 如果你的网络的最终输出是通过单个sigmoid输出获得的，那么predict_proba的输出就是简单地分配给类别1的概率。
• 如果你的网络的最终输出是通过一个二维输出并应用softmax函数获得的，那么predict_proba的输出是一个对[a, b]，其中a = P(class(x) = 0)和b = P(class(x) = 1)。

第二种方法很少使用，并且使用第一种方法有一些理论上的优势——但我只是想告知你，以防万一。