在利用CNN提取特征的同时，如何利用SVM进行分类？

Question

   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

Answer 1

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：

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