七。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

import tensorflow as tf

import numpy as np

自定义数据集类

class CustomDataset(tf.data.Dataset):

def init(self, x_data, y_data):

self.x_data = tf.convert_to_tensor(x_data, dtype=tf.float32)

self.y_data = tf.convert_to_tensor(y_data, dtype=tf.float32)

def iter(self):

for i in range(len(self.x_data)):

yield (self.x_data[i], self.y_data[i])

逻辑回归模型

class LogisticRegressionModel(tf.keras.Model):

def init(self, input_dim):

super(LogisticRegressionModel, self).init()

self.linear = tf.keras.layers.Dense(1, input_shape=(input_dim,), activation='sigmoid')

def call(self, x):

return self.linear(x)

创建数据集

x_data = np.array([[1], [2], [3], [4], [5]], dtype=np.float32)

y_data = np.array([[0], [0], [1], [1], [1]], dtype=np.float32)

dataset = CustomDataset(x_data, y_data)

创建数据加载器

dataloader = dataset.batch(2).shuffle(100).repeat()

创建模型、损失函数和优化器

model = LogisticRegressionModel(input_dim=1)

loss_object = tf.keras.losses.BinaryCrossentropy()

optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)

训练模型

epochs = 100

for epoch in range(epochs):

for x_batch, y_batch in dataloader:

with tf.GradientTape() as tape:

predictions = model(x_batch)

loss = loss_object(y_batch, predictions)

gradients = tape.gradient(loss, model.trainable_variables)

optimizer.apply_gradients(zip(gradients, model.trainable_variables))

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

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

保存模型

model.save('logistic_regression_model.h5')

加载模型

model = tf.keras.models.load_model('logistic_regression_model.h5')

进行预测

x_test = np.array([[6], [7], [8]], dtype=np.float32)

y_pred = model.predict(x_test)

print('预测值:', y_pred)

相关推荐
峥嵘life25 分钟前
Android16 adb投屏工具Scrcpy介绍
android·开发语言·python·学习·web安全·adb
AI视觉网奇1 小时前
vscode 不能跳转 ERR_OSSL_EVP_BAD_DECRYPT
python
文心快码BaiduComate1 小时前
Comate分饰多角:全栈开发一个Python学习网站
前端·后端·python
雨声不在1 小时前
cronet从编译到修改之: 支持IP直连
python·网络协议·tcp/ip·cronet
2401_841495641 小时前
【机器学习】朴素贝叶斯法
人工智能·python·数学·算法·机器学习·概率论·朴素贝叶斯法
听潮阁1 小时前
Python 旅游数据分析平台【源码请评论区留言】
python·数据分析·旅游
付玉祥1 小时前
第 2 章 变量与基本数据类型
python·llm
扑克中的黑桃A2 小时前
Python快速入门专业版(八):字符串基础:创建、拼接与切片(10+实用代码案例)
python
时间醉酒2 小时前
逻辑回归(四):从原理到实战-训练,评估与应用指南
人工智能·python·算法·机器学习·逻辑回归
计算机毕设残哥2 小时前
紧跟大数据技术趋势:食物口味分析系统Spark SQL+HDFS最新架构实现
大数据·hadoop·python·sql·hdfs·架构·spark