Keras CNN与SVM结合时目标值重塑问题修复求助

问题根源 #

你遇到的ValueError是因为**y_train已经被转换成了独热编码格式**（形状(2480,2)），当你取前50个样本时，得到的是(50,2)的二维数组，总元素数是100，自然无法重塑成(50,)的一维数组。而SVM需要的是一维的类别标签（0/1），不是独热编码的二维矩阵。

解决方案步骤 #

1. 还原独热编码为原始类别标签
   在你准备将标签传入SVM之前，先用np.argmax()把独热编码转换成一维的类别索引：

   # 把独热编码的y_train、y_test还原成原始标签（0或1）
   y_train_labels = np.argmax(y_train, axis=1)
   y_test_labels = np.argmax(y_test, axis=1)
   

   这时候y_train_labels的形状会变成(2480,)，正好是SVM需要的格式。

2. 提取对应样本的标签
   现在再取前50个训练标签和前10个测试标签，不需要额外reshape：

   y_train_svm = y_train_labels[:50]
   y_test_svm = y_test_labels[:10]
   

3. 修正SVM的评估代码
   你后面用model.evaluate(exTrain, y_train)是错误的，因为model是CNN模型，它的输入要求是原始图像格式（(n,1,513,125)），而exTrain是CNN提取的特征（来自model.layers[7].output）。应该用SVM自身的score方法来评估：

   from sklearn.svm import SVC
   clf = SVC(gamma='auto')
   clf.fit(exTrain, y_train_svm)
   
   # 评估SVM的训练集准确率
   score_train_svm = clf.score(exTrain, y_train_svm)
   print('SVM Train accuracy:', score_train_svm)
   
   # 评估SVM的测试集准确率
   score_test_svm = clf.score(exTest, y_test_svm)
   print('SVM Test accuracy:', score_test_svm)
   

完整修改后的关键代码片段 #

把你主函数里的相关代码替换成下面这段：

# feature extraction layer
getFeature = K.function([model.layers[0].input, K.learning_phase()], [model.layers[7].output])
# classification layer
getPrediction = K.function([model.layers[8].input, K.learning_phase()], [model.layers[9].output])

exTrain = getFeature([X_train[:50], 0])[0]
exTest = getFeature([X_test[:10], 0])[0]

# 还原独热编码为原始标签
y_train_labels = np.argmax(y_train, axis=1)
y_test_labels = np.argmax(y_test, axis=1)

y_train_svm = y_train_labels[:50]
y_test_svm = y_test_labels[:10]

print(exTrain.shape, exTest.shape, y_train_svm.shape, y_test_svm.shape)

from sklearn.svm import SVC
clf = SVC(gamma='auto')
clf.fit(exTrain, y_train_svm)

# 用SVM的score方法评估
score_train_svm = clf.score(exTrain, y_train_svm)
print('SVM Train accuracy:', score_train_svm)
score_test_svm = clf.score(exTest, y_test_svm)
print('SVM Test accuracy:', score_test_svm)

这样就能解决你遇到的重塑错误，同时正确用SVM对CNN提取的特征进行分类和评估了。

内容的提问来源于stack exchange，提问作者root