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,我该怎么做呢?我对这件事还不熟悉,也不知道该怎么办
您的神经网络在给定输入(我假设的图像)的情况下产生输出。当您将此输出设置为来自
conv13
层的参数时,它将是一个特定大小的向量。现在可以将此输出视为SVM分类器的输入。但是,对于这一步,您不需要坚持使用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,如
X =[95, 25, ..., 45, 24]
作为输出。如果有一组标签y = {0, 1}
,则可以执行以下操作:见:https://scikit-learn.org/stable/modules/svm.html
相关问题 更多 >
编程相关推荐