1. 引言
逻辑回归（Logistic Regression）是一种常见的分类算法，广泛应用于二分类问题。在本篇博客中，我们将使用numpy生成一个简单的自定义数据集，并使用TensorFlow框架构建和训练逻辑回归模型。训练完成后，我们会保存模型，并演示如何加载保存的模型进行预测。
2. 创建自定义数据集
首先，我们使用numpy生成一个简单的二分类数据集，包含两个特征和对应的标签。标签0表示负类，标签1表示正类。
import numpy as np
# 设置随机种子，保证每次运行结果一致
np.random.seed(42)
# 生成自定义数据集
X = np.random.rand(100, 2) # 100个样本，2个特征
y = (X[:, 0] + X[:, 1] > 1).astype(int) # 标签：如果两个特征之和大于1，标签为1，否则为0这样我们就得到了一个简单的二分类数据集，X是特征矩阵，y是标签。
3. 构建逻辑回归模型
接下来，我们使用TensorFlow来构建逻辑回归模型。逻辑回归本质上是一个线性模型，通过Sigmoid函数输出概率，最终将其转化为二分类标签。
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# 构建模型
model = Sequential([
Dense(1, input_dim=2, activation='sigmoid') # 输入层2个特征，输出层1个节点，sigmoid激活函数
])
# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])在这个模型中，我们只用了一个包含一个节点的输出层，使用sigmoid激活函数来输出分类概率。损失函数选择了binary_crossentropy，它是二分类问题常用的损失函数。
4. 训练模型
现在，我们使用生成的数据集来训练模型。
# 训练模型
model.fit(X, y, epochs=50, batch_size=10, verbose=1)训练过程将进行50个周期，每批次包含10个样本。你可以根据自己的需求调整epochs和batch_size。
5. 保存模型
训练完成后，我们将保存模型。TensorFlow提供了方便的保存方法，可以将整个模型（包括模型架构、权重和训练配置）保存在一个文件中。
# 保存模型
model.save('logistic_regression_model.h5')保存后的模型文件logistic_regression_model.h5将包含模型的所有信息，稍后我们可以重新加载这个模型来进行预测。
6. 加载模型并进行预测
保存的模型可以在后续的工作中重新加载并使用。我们通过tensorflow.keras.models.load_model()来加载保存的模型。
# 加载模型
loaded_model = tf.keras.models.load_model('logistic_regression_model.h5')
# 使用加载的模型进行预测
predictions = loaded_model.predict(X)
# 输出预测结果（概率值）
print(predictions[:5]) # 打印前5个预测结果这里我们通过加载的模型对输入数据X进行预测。由于是二分类问题，模型会输出一个概率值，我们可以根据这个概率值将其转换为标签（例如，概率大于0.5为正类）。
7. 总结
在本篇博客中，我们学习了如何使用numpy生成自定义数据集，使用TensorFlow框架构建并训练逻辑回归模型，保存模型并在之后加载模型进行预测。通过这种方式，你可以在训练完成后方便地保存和加载模型，从而实现模型的持久化，便于后续的应用和部署。
希望这篇博客对你理解逻辑回归和TensorFlow的使用有所帮助！你可以在此基础上扩展应用到更复杂的模型和数据集。