自定义数据集 使用paddlepaddle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

1. 引言

在这篇博客中，我们将使用PaddlePaddle框架实现一个逻辑回归模型，利用NumPy自定义数据集进行训练，并保存模型。最后，我们将演示如何加载保存的模型并进行预测。

2. 环境设置

首先，确保已安装PaddlePaddle和NumPy：

pip install paddlepaddle numpy

3. 数据集准备

我们使用NumPy自定义一个简单的二分类数据集：

import numpy as np

# 生成简单数据集 (特征和标签)
X = np.random.rand(100, 2)  # 100个样本，2个特征
y = (X[:, 0] + X[:, 1] > 1).astype(int)  # 简单规则：如果两个特征和大于1则为1，否则为0

4. 构建逻辑回归模型

使用PaddlePaddle构建逻辑回归模型：

import paddle
import paddle.nn as nn
import paddle.optimizer as optim

# 定义逻辑回归模型
class LogisticRegression(nn.Layer):
    def __init__(self):
        super(LogisticRegression, self).__init__()
        self.linear = nn.Linear(2, 1)  # 2个输入特征，1个输出

    def forward(self, x):
        return self.linear(x)

# 初始化模型
model = LogisticRegression()

5. 模型训练

使用交叉熵损失函数和SGD优化器进行训练：

# 转换数据为Paddle张量
X_train = paddle.to_tensor(X, dtype='float32')
y_train = paddle.to_tensor(y, dtype='float32').reshape([-1, 1])

# 定义损失函数和优化器
criterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(parameters=model.parameters(), learning_rate=0.1)

# 训练模型
for epoch in range(1000):
    model.train()
    # 前向传播
    logits = model(X_train)
    loss = criterion(logits, y_train)
    
    # 反向传播
    loss.backward()
    optimizer.step()
    optimizer.clear_grad()

    if (epoch + 1) % 100 == 0:
        print(f'Epoch {epoch + 1}, Loss: {loss.numpy()}')

6. 保存模型

训练完成后保存模型：

# 保存模型
paddle.save(model.state_dict(), 'logistic_regression.pdparams')

7. 加载模型并进行预测

加载保存的模型并进行预测：

# 加载模型
model.load_dict(paddle.load('logistic_regression.pdparams'))

# 测试数据
X_test = np.array([[0.6, 0.7], [0.1, 0.2]])
X_test_tensor = paddle.to_tensor(X_test, dtype='float32')

# 进行预测
model.eval()
predictions = model(X_test_tensor)
predictions = predictions.numpy()

# 输出预测结果
print(f'Predictions: {predictions}')

8. 结语

通过以上步骤，我们成功地使用PaddlePaddle框架实现了一个简单的逻辑回归模型，并且在训练后保存了模型，加载并对新数据进行了预测。这种方式可以为更复杂的任务奠定基础。