Python 在利用CNN提取特征的同时，如何利用SVM进行分类？

在conv13层之后，我想使用SVM，我该怎么做呢？我对这一点还不熟悉，但我无法理解。

您的神经网络会在给定输入（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：

   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

---

请参阅：

很抱歉打扰您。我很难实现它。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，我得到了这个_数组_u（）接受1个位置参数，但给出了2个。我是诺布。

from sklearn.svm import SVC

clf = SVC() # Play with hyperparameters.

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