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

自定义数据集:通过继承 paddle.io.Dataset 类创建自定义数据集,并重写 getitemlen 方法。

定义逻辑回归模型:继承 paddle.nn.Layer 类,定义一个简单的线性层,并在 forward 方法中应用sigmoid激活函数。

训练模型:使用二元交叉熵损失函数 BCELoss 和随机梯度下降优化器 SGD 进行训练。

保存模型:使用 paddle.save 保存模型的参数。

加载模型并预测:加载保存的模型参数,设置模型为评估模式,然后对新数据进行预测。

import paddle

import numpy as np

from paddle.io import Dataset, DataLoader

自定义数据集

class MyDataset(Dataset):

def init(self, data, labels):

self.data = data

self.labels = labels

def getitem(self, idx):

return self.data[idx], self.labels[idx]

def len(self):

return len(self.data)

生成一些自定义数据

np.random.seed(0)

data = np.random.randn(100, 10).astype('float32')

labels = np.random.randint(0, 2, size=(100, 1)).astype('float32')

创建数据集和数据加载器

dataset = MyDataset(data, labels)

dataloader = DataLoader(dataset, batch_size=10, shuffle=True)

定义逻辑回归模型

class LogisticRegression(paddle.nn.Layer):

def init(self, input_dim):

super(LogisticRegression, self).init()

self.linear = paddle.nn.Linear(input_dim, 1)

def forward(self, x):

return paddle.nn.functional.sigmoid(self.linear(x))

model = LogisticRegression(input_dim=10)

定义损失函数和优化器

criterion = paddle.nn.BCELoss()

optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

训练模型

num_epochs = 100

for epoch in range(num_epochs):

for batch_data, batch_labels in dataloader:

optimizer.clear_grad()

outputs = model(batch_data)

loss = criterion(outputs, batch_labels)

loss.backward()

optimizer.step()

if (epoch + 1) % 10 == 0:

print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}')

保存模型

paddle.save(model.state_dict(), 'logistic_regression.pdparams')

加载模型进行预测

loaded_model = LogisticRegression(input_dim=10)

loaded_model.set_state_dict(paddle.load('logistic_regression.pdparams'))

loaded_model.eval()

进行预测

new_data = np.random.randn(10, 10).astype('float32')

new_data = paddle.to_tensor(new_data)

predictions = loaded_model(new_data)

print("Predictions:")

print(predictions)

相关推荐
Shockang1 小时前
机器学习的一百个概念(6)最小最大缩放
人工智能·机器学习
滴答滴答嗒嗒滴3 小时前
用 Python 实现机器学习小项目:从入门到实战
开发语言·python·机器学习
IT古董3 小时前
【漫话机器学习系列】173.模型可识别度(Model Identifiability)
人工智能·机器学习
神经星星4 小时前
在线教程丨YOLO系列重要创新!清华团队发布YOLOE,直击开放场景物体实时检测与分割
人工智能·深度学习·机器学习
Elastic 中国社区官方博客7 小时前
Elasticsearch:理解政府中的人工智能 - 应用、使用案例和实施
大数据·人工智能·elasticsearch·机器学习·搜索引擎·ai·全文检索
嘉图明8 小时前
《符号之纱与血肉之躯:具身智能范式的哲学重构与AI发展新图景》
人工智能·机器学习·重构
databook9 小时前
直线思维的进化:线性到广义线性
python·机器学习·scikit-learn
oioihoii9 小时前
小白入门机器学习概述
人工智能·机器学习
秩序之狐10 小时前
基于机器学习的齿音识别
人工智能·机器学习
蹦蹦跳跳真可爱58910 小时前
Python----机器学习(KNN:决策边界,决策边界计算,交叉验证步骤)
开发语言·人工智能·python·机器学习