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_datai, self.y_datai)

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
学无止境小袁同学16 小时前
Google ADK 学习指南
python·llm·agent·多agent·google adk·llmagent·agent cli
郝学胜-神的一滴17 小时前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
LK_0717 小时前
【力扣】142. 环形链表 II |Python
python·leetcode·链表
wuyk55517 小时前
Python办公自动化-第02讲-Excel文件认知与四大库选型
开发语言·python·excel
用户548178459095018 小时前
Java 与 Python 在大模型与智能体领域的选型
java·python
yiangL_19 小时前
1、Python 输入输出实验|print 与 input 人机交互实践
开发语言·python·人机交互
高洁0119 小时前
世界模型的因果内核:从预测表象到理解机制
人工智能·python·深度学习·transformer·迁移学习
数字融合20 小时前
透明化视频动态三维重建空间数据零核心技术
人工智能·python·virtualenv
AI创界者20 小时前
Python 进阶实战(五十四章):大模型推理网关终极架构——分布式全局前缀 Trie 缓存同步与多网关高可用协同调度
人工智能·python·aigc