CNN+SVM实现多分类

最新推荐文章于 2025-11-16 20:08:15 发布

原创

最新推荐文章于 2025-11-16 20:08:15 发布 · 4.2w 阅读

490 ·

CC 4.0 BY-SA版权

1. 本文目的

使用SVM代替CNN网络的全连接层，即CNN提取特征后利用SVM进行分类。（注：仍使用完整CNN网络进行训练获取卷积层参数，SVM参数单独训练获得，后续会对此进行详细说明。）

2. 实验流程：

对样本数据进行处理
建立完整的卷积神经网络（CNN）
利用训练数据进行训练，获取卷积层权重参数
将卷积层输出转换为SVM输入特征向量
利用上一步特征向量对SVM进行训练
利用测试数据进行准确率测试。

3. 网络结构

在这里插入图片描述
CNN有两个卷积层，两个全连接层，其中卷积层卷积核大小为5 * 5，步长为1，池化层卷积核大小为2 * 2，第一个全连接层输出h_fc1转化为特征向量输入SVM。
feature map大小变化如表所示：

	Conv1	Pooling1	Conv2	Pooling2	Full_Connectin1	SVM
input size	16*16	16*16	8*8	8*8	4 * 4 * 64	1* 256
filter	5*5	2*2	5*5	2*2	-	-
output size	16 * 16	8*8	8*8	4*4	256	-

4. 核心代码

# coding=utf8
import random
import numpy as np
import tensorflow as tf
from sklearn import svm

for file_num in range(10):
    # 在十个随机生成的不相干数据集上进行测试，将结果综合
    print('testing NO.%d dataset.......' % file_num)
    f1 = open('digit_train_' + file_num.__str__() + '.data')
    lines1 = f1.readlines()
    # 训练数据
    X_train = []
    y_train = []
    y_train_temp = []
    y_train_transform = []
    for i in range(len(lines1)):
        X_train.append(list(map(int, map(float, lines1[i].split(' ')[:256]))))
        y_train.append(list(map(int, lines1[i].split(' ')[256:266])))
        y_train_transform.append(np.argmax(list(map(int, lines1[i].split(' ')[256:266]))))
    f1.close()

    f2 = open

最低0.47元/天解锁文章