Comment obtenir une probabilité / confiance en sortie pour un CNN en utilisant des keras en python?

Je suis donc novice dans l'apprentissage en profondeur et j'ai commencé avec un ensemble de données sur les chats et les chiens pour un modèle CNN utilisant Keras.

Dans mon code, je ne parviens pas à obtenir les probabilités en sortie pour les deux classifier.predict ou classifier.predict_proba . J'obtiens juste la sortie comme [[0,1]] ou [[1,0]] . J'ai essayé avec plusieurs images.

Mais je cherche quelque chose comme, [[0.4,0.6]] , [[0.89,0.11]]

J'ai essayé de changer la fonction de perte de binary_crossentropy à categorical_crossentropy.

J'ai essayé de changer l'activation fonction de la couche de sortie de sigmoïde à softmax.

J'ai aussi essayé de changer le class_mode dans flow_from_directory de binaire à categorical.

Je pense que je me trompe peut-être avec le type de données, en tant que type de tableau de sortie est float32. Mais même si c'est l'erreur, je ne sais pas comment la changer.

Je ne parviens pas à trouver où je me trompe. Veuillez clarifier / aider. Merci.

Pourquoi ai-je besoin de probabilités?

Dans mon autre projet, je diviserai une image en un nombre 'n' de morceaux plus petits. J'utiliserai ensuite le classificateur sur un nombre «n» de pièces séparément et trouverai la pièce avec la plus grande probabilité. Pour cela, je n'utiliserai pas le jeu de données des chats et des chiens. C'est pour la sélection de bacs et cet ensemble de données sera également une sortie binaire sous la forme «OUI» ou «NON». Toute suggestion à ce sujet est également la bienvenue. Merci.

Lien pour le code dans Github.

    #Building the CNN
    
    from keras.models import Sequential
    from keras.layers import Convolution2D
    from keras.layers import MaxPooling2D
    from keras.layers import Flatten
    from keras.layers import Dense
    
    #Initialising the CNN
    
    classifier = Sequential()
    
    #Step 1 - Convolution
    classifier.add(Convolution2D(filters=32,kernel_size=[3,3],input_shape=(64,64,3),activation='relu'))
    
    #Step 2 - Pooling
    classifier.add(MaxPooling2D(pool_size=(2,2),strides=2))
    
    #Adding another Convolutional Layer for better accuracy
    #classifier.add(Convolution2D(filters=32,kernel_size=[3,3],activation='relu'))
    #classifier.add(MaxPooling2D(pool_size=(2,2),strides=2))
    
    #Step 3 - Flattening
    classifier.add(Flatten()) 
    
    #Step 4 - Fully Connected Layers
    classifier.add(Dense(units= 64, activation='relu'))
    classifier.add(Dense(units= 2, activation='softmax'))
    
    
    #Compiling the CNN
    classifier.compile(optimizer='adam',loss = 'categorical_crossentropy', metrics=['accuracy'])
    
    #Part 2 - Fitting the CNN to the images
    from keras.preprocessing.image import ImageDataGenerator
    
    train_datagen=ImageDataGenerator(
            rescale=1./255,
            shear_range=0.2,
            zoom_range=0.2,
            horizontal_flip=True)
    
    test_datagen=ImageDataGenerator(rescale=1./255)
    
    training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                     target_size=(64,64),
                                                     batch_size=32,
                                                     class_mode='categorical')
    
    test_set = test_datagen.flow_from_directory('dataset/test_set',
                                                target_size=(64,64),
                                                batch_size=32,
                                                class_mode='categorical')
    
    classifier.fit_generator(training_set,
                        steps_per_epoch=250,
                        epochs=3,                       #Just for time being I've kept very few epochs.
                        validation_data=test_set,
                        validation_steps=62)
    
    
    #Making new Predictions
    import numpy as np
    from keras.preprocessing import image
    
    test_image_luna=image.load_img('dataset/single/SkilletLuna.JPG',target_size=(64,64))
    test_image2=image.img_to_array(test_image_luna)
    test_image2=np.expand_dims(test_image2,axis=0)
    luna=classifier.predict_proba(test_image2)

In [11]: luna
    ...: 
Out[11]: array([[0., 1.]], dtype=float32)