SVM 作为 CNN 的最后一层答案

【问题标题】：SVM as a last layer of a CNNSVM 作为 CNN 的最后一层
【发布时间】：2022-06-15 14:22:24
【问题描述】：

我是社区的新手，我正在尝试尽可能多地学习，但我到了需要帮助的地步，因为我无法找到正确的解决方案。

我有一个最后带有 softmax 层的 CNN，但我想要一个 SVM，但我真的不知道该怎么做。我在网上找到了一句话，基本上，我必须从softmax改为linear，但我不明白为什么，因为我不明白我不能这样做。

如果有人知道怎么做，请告诉我如何使用下面的代码来做？如果之前有人问过这个问题，或者您觉得它不那么聪明，谢谢并抱歉。我是新手。

代码如下：

    model = keras.models.Sequential([    
    keras.layers.Conv2D(filters=16, kernel_size=(3,3), activation='relu', input_shape=(IMG_HEIGHT,IMG_WIDTH,channels)),
    keras.layers.Conv2D(filters=32, kernel_size=(3,3), activation='relu'),
    keras.layers.MaxPool2D(pool_size=(2, 2)),
    keras.layers.BatchNormalization(axis=-1),
    
    keras.layers.Conv2D(filters=64, kernel_size=(3,3), activation='relu'),
    keras.layers.Conv2D(filters=128, kernel_size=(3,3), activation='relu'),
    keras.layers.MaxPool2D(pool_size=(2, 2)),
    keras.layers.BatchNormalization(axis=-1),
    
    keras.layers.Flatten(),
    keras.layers.Dense(512, activation='relu'),
    keras.layers.BatchNormalization(),
    keras.layers.Dropout(rate=0.5),
    
    keras.layers.Dense(43, activation='softmax')
])

【问题讨论】：

您可以从预训练的神经网络中提取 2D 特征表示，并将它们用作 SVM（迁移学习）的输入
也许我没有解释自己。我的问题是如何将 SVM 作为最后一层
根本不可能
所以有了上面的短语，我想做以下事情。提取特征并将它们用作我的 SVM 的输入，而不是继续使用 CNN 并将输入提供给完全连接的神经网络。这是可能的，因为你已经建议了。我的问题是一旦我提取了不难的功能，因为我已经这样做了。如何构建 SVM 以链接我的功能？这是我想知道的。
一旦你提取了特征，你可以简单地调用 my_svm.fit(my_extracted_feat, y) ，就像任何标准的 svm 模型拟合一样。只注意提取 2D 特征以便在 sklearn 模型中使用

标签： machine-learning keras conv-neural-network artificial-intelligence svm

【解决方案1】：

在展平层之后不需要任何层。现在使用此模型为 xtrain 提取特征向量，为 svm 提取 xtest。参考：YouTube 频道 digitalsreeni

【讨论】：

正如目前所写，您的答案尚不清楚。请edit 添加其他详细信息，以帮助其他人了解这如何解决所提出的问题。你可以找到更多关于如何写好答案的信息in the help center。

【解决方案2】：

你能把 CNN 和 SVM 结合起来吗？可以分享一下你的代码吗？

【讨论】：