写一段cnn结合svm的代码

以下是一个简单的CNN结合SVM的代码示例：

import tensorflow as tf
from sklearn.svm import SVC

# 定义CNN模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 加载MNIST数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 训练CNN模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)

# 提取CNN模型输出的特征向量
feature_extractor = tf.keras.models.Model(inputs=model.inputs,
                                          outputs=model.layers[-2].output)
train_features = feature_extractor.predict(x_train)
test_features = feature_extractor.predict(x_test)

# 训练SVM分类器
svm_model = SVC(kernel='linear')
svm_model.fit(train_features, y_train)

# 在测试集上测试模型
svm_acc = svm_model.score(test_features, y_test)
cnn_acc = model.evaluate(x_test, y_test)[1]

print("CNN Test Accuracy:", cnn_acc)
print("SVM Test Accuracy:", svm_acc)

以上代码首先定义了一个简单的CNN模型，然后加载MNIST数据集进行训练。接着，我们定义了一个新的模型`feature_extractor`，该模型用于提取CNN模型输出的特征向量。我们使用训练集和测试集分别提取特征向量，并使用这些特征向量训练了一个SVM分类器。最后，我们比较了CNN模型和SVM模型在测试集上的准确率。