使用Keras构建CNN后接SVM分类器时获取Dense层输出遇类型错误

嘿，这个错误我之前也踩过坑！问题出在learning_phase的参数类型上——TensorFlow要求这个参数是int32类型的整数，但你传了浮点数1.，所以才会抛出类型转换错误。下面给你两种实用的解决办法：

方法一：修正learning_phase的参数类型 #

把测试代码里的1.改成整数1（或者0，取决于你需要训练模式还是推理模式），调整后的完整代码如下：

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, AveragePooling1D, Flatten, Dense

# 定义你的CNN模型
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=(5), input_shape=(12,800), strides=2, padding='valid', activation='relu'))
model.add(AveragePooling1D(pool_size=2, strides=2, padding='same'))
model.add(Flatten())
model.add(Dense(7, activation='softmax'))
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
model.summary()

# 获取层输出的修正代码
inp = model.input  # 输入占位符
outputs = [layer.output for layer in model.layers]  # 所有层的输出
# 这里把1.改成整数1，匹配int32类型要求
functor = tf.keras.backend.function([inp, tf.keras.backend.learning_phase()], outputs)
# 测试数据
input_shape = (12,800)
test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = functor([test, 1])  # 这里同样传入整数1

# 提取最后一层Dense的输出
dense_output = layer_outs[-1]
print("Dense层输出形状:", dense_output.shape)

方法二：用Keras Model类直接构建输出模型（更推荐） #

在TensorFlow 2.x的Eager模式下，用Model类来获取层输出会更简洁，还能避免learning_phase的参数问题，代码如下：

# 基于原模型，创建一个专门输出层结果的新模型
# 如果只需要Dense层的输出，直接指定outputs=model.layers[-1].output即可
layer_output_model = tf.keras.Model(inputs=model.input, outputs=[layer.output for layer in model.layers])

# 直接传入测试数据就能得到所有层的输出
layer_outs = layer_output_model(test)

# 提取Dense层输出
dense_output = layer_outs[-1]
print("Dense层输出形状:", dense_output.shape)

这种方式不需要手动处理learning_phase，TensorFlow会自动根据上下文适配训练/推理模式，用起来省心不少。

最后补充个小建议：如果你之后要把Dense层输出喂给SVM，不妨考虑把Dense层的softmax激活去掉（改成activation=None），直接用logits作为SVM的输入，效果可能会更好哦！

内容的提问来源于stack exchange，提问作者anurag shrivastava