自定义数据集 使用tensorflow框架实现逻辑回归并保存模型，然后保存模型后再加载模型进行预测

在 TensorFlow 中实现逻辑回归、保存模型并加载模型进行预测的过程可以分为以下几个步骤：

1. 准备数据：创建或加载你的自定义数据集。
2. 构建逻辑回归模型。
3. 训练模型。
4. 保存模型。
5. 加载模型。
6. 使用加载的模型进行预测。

import tensorflow as tf
import numpy as np

# 1. 准备数据
# 示例：生成一些随机数据
np.random.seed(0)
X_train = np.random.rand(100, 3)  # 100个样本，每个样本3个特征
y_train = (np.sum(X_train, axis=1) > 1.5).astype(int)  # 简单的标签生成逻辑

X_test = np.random.rand(20, 3)  # 20个样本用于测试

# 2. 构建逻辑回归模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, activation='sigmoid', input_shape=(3,))
])

# 编译模型
model.compile(optimizer='sgd', loss='binary_crossentropy', metrics=['accuracy'])

# 3. 训练模型
model.fit(X_train, y_train, epochs=10, verbose=1)

# 4. 保存模型
model_save_path = 'logistic_regression_model.h5'
model.save(model_save_path)
print(f"Model saved to {model_save_path}")

# 5. 加载模型
loaded_model = tf.keras.models.load_model(model_save_path)

# 6. 使用加载的模型进行预测
predictions = loaded_model.predict(X_test)
predicted_classes = (predictions > 0.5).astype(int)

print("Predictions:")
print(predicted_classes)