是否可以使用KERAS在卷积神经网络的最后一层特征上训练一个SVM或随机森林？
在Keras中设计了一个卷积神经网络，用于图像分类，包括几个卷积/最大池层，一个密集连接的隐层和最后一层的softmax激活。我想在最后一层用支持向量机或随机森林替换softmax，看看这样是否会产生更好的精度。在Keras有什么办法可以做到吗？
共有1个答案
为了使支持向量机具有（种类），只需使用铰链损失而不是对数损失。放入RF没有意义，因为你需要一个可微模型作为神经网络的一部分（除非你想要做的只是训练一个网络，然后砍掉它的最后部分，把它作为一个特征检测器，它只是馈入RF中，但这通常不是一个有效的方法）。
-
是否有方法按层（而不是端到端）训练卷积神经网络，以了解每一层对最终架构性能的贡献？
-
我有一个关于卷积神经网络（）训练的问题。 我成功地使用tensorflow训练了一个网络，它获取一个输入图像（1600像素），然后输出三个匹配的类中的一个。 使用不同的培训课程测试网络，效果良好。然而当我给它一个不同的第四个图像（不包含任何经过训练的3个图像）时，它总是返回一个随机匹配到其中一个类。 我的问题是，如何训练网络来分类图像不属于这三个训练图像中的任何一个？类似的例子是，如果我针对mni
-
这是我的问题。我训练了一个卷积神经网络，用tensorflow将图像分为两类。我现在想知道如何使用神经网络的权重，并在未标记的随机图像上进行测试。tensorflow中是否有这样的函数，或者我现在应该自己运行卷积吗？
-
第 10 章介绍了人工神经网络，并训练了我们的第一个深度神经网络。 但它是一个非常浅的 DNN，只有两个隐藏层。 如果你需要解决非常复杂的问题，例如检测高分辨率图像中的数百种类型的对象，该怎么办？ 你可能需要训练更深的 DNN，也许有 10 层，每层包含数百个神经元，通过数十万个连接来连接。 这不会是闲庭信步： 首先，你将面临棘手的梯度消失问题（或相关的梯度爆炸问题），这会影响深度神经网络，并使较
-
我读过这篇文章http://www.codeproject.com/Articles/143059/Neural-Network-for-Recognition-of-Handwritten-Di当我转到这个：第0层：是MNIST数据库中手写字符的灰度图像，填充到29x29像素。输入层有29x29=841个神经元。图层#1：是一个包含六（6）个要素地图的卷积图层。从第1层到前一层有13x13x6=
-
本文向大家介绍说一下卷积神经网络相关面试题，主要包含被问及说一下卷积神经网络时的应答技巧和注意事项，需要的朋友参考一下 首先是LeNet，七层结构，也就是早期的神经网络，但是中途一直没有得到发展，直到2012年出现了AlexNet,采用了(数据增强，大数据集（imagenet），dropout，relu激活函数，同时使用了GPU)这些技巧，使得准确率得到显著提升；VGG提出了一个新的概念，用小的卷