如何在使用 CNN 提取特征的同时使用 SVM 进行分类？答案

【问题标题】：How to use SVM to classify while the features are extracted using CNN?如何在使用 CNN 提取特征的同时使用 SVM 进行分类？
【发布时间】：2020-10-19 10:16:57
【问题描述】：

   conv12 = Conv2D(32, (3, 3), activation='relu', padding='same')(up12)
   conv12 = Dropout(0.3)(conv12)
   conv12 = Conv2D(32, (3, 3), activation='relu', padding='same')(conv12)
   
   conv13 = Conv2D(1, (1, 1), activation='sigmoid')(conv12)

   model = Model(inputs=[inputs], outputs=[conv13])

   model.compile(optimizer=Adam(lr=.00045), loss=dice_coef_loss, metrics=[dice_coef])

   return model

在 conv13 层之后我想使用 SVM，我该怎么做？我对此很陌生，无法弄清楚。

【问题讨论】：

标签： python machine-learning classification svm conv-neural-network

【解决方案1】：

您的神经网络在给定输入的情况下产生输出（我假设是图像）。当您将其设置为来自conv13 层的参数时，此输出将是一个特定大小的向量。您现在可以将此输出视为 SVM 分类器的输入。但是，您无需在此步骤中坚持使用 Keras，因为像 scikit-learn 这样的库已经实现了一种更简单的方法。

假设您的 CNN 生成一组向量，例如 X =[95, 25, ..., 45, 24] 作为输出。如果你有一组标签y = {0, 1} 那么你可以这样做：

from sklearn.svm import SVC

clf = SVC() # Play with hyperparameters.

clf.predict([[95, 25, ..., 45, 24]]) # Output: array([1])

见：https://scikit-learn.org/stable/modules/svm.html

【讨论】：

很抱歉打扰您。我很难实施它。 y = [0, 1] svm = SVR(kernel="rbf", gamma="scale", C=1.0) svm.fit(conv13, y) 我在这里做错了什么？当我运行上面的代码时，我得到这个 __array__() 需要 1 个位置参数，但给出了 2 个。我是菜鸟。