使用 PaddlePaddle 实现逻辑回归：从训练到模型保存与加载
在机器学习中，逻辑回归是一种经典的分类算法，广泛应用于二分类问题。今天，我们将通过一个简单的例子，使用 PaddlePaddle 框架实现逻辑回归模型，并展示如何保存和加载模型，以便进行后续的预测。
1. 简介
逻辑回归是一种线性分类模型，通过学习输入特征与输出标签之间的关系，实现对新数据的分类。PaddlePaddle 是一个开源的深度学习框架，提供了丰富的接口和工具，方便开发者快速实现和部署机器学习模型。
2. 数据准备
为了演示逻辑回归，我们生成了两组二维数据点，分别表示两个不同的类别。以下是数据的定义：
class1_points = np.array([[1.9, 1.2],
[1.5, 2.1],
[1.9, 0.5],
[1.5, 0.9],
[0.9, 1.2],
[1.1, 1.7],
[1.4, 1.1]])
class2_points = np.array([[3.2, 3.2],
[3.7, 2.9],
[3.2, 2.6],
[1.7, 3.3],
[3.4, 2.6],
[4.1, 2.3],
[3.0, 2.9]])我们将这两组数据合并，并为它们分配标签（0 和 1），表示不同的类别。然后，将数据转换为 Paddle 的 Tensor 格式，以便用于模型训练。
3. 模型定义
逻辑回归模型的核心是一个线性层，后面接一个 Sigmoid 激活函数。Sigmoid 函数将输出值映射到 (0, 1) 区间，表示属于某个类别的概率。以下是模型的定义：
class LogisticRegression(nn.Layer):
def __init__(self):
super(LogisticRegression, self).__init__()
self.linear = nn.Linear(2, 1) # 输入特征维度为2，输出为1
def forward(self, x):
return nn.functional.sigmoid(self.linear(x))4. 训练模型
为了训练模型，我们需要定义优化器和损失函数。这里我们使用随机梯度下降（SGD）优化器和二元交叉熵损失函数（BCELoss）。训练过程如下：
optimizer = optim.SGD(parameters=model.parameters(), learning_rate=0.1)
loss_fn = nn.BCELoss()
epochs = 1000
for epoch in range(epochs):
y_pred = model(X)
loss = loss_fn(y_pred, y)
loss.backward()
optimizer.step()
optimizer.clear_grad()
if epoch % 100 == 0:
print(f"Epoch {epoch}, Loss: {loss.numpy()}")在训练过程中，我们每 100 个 epoch 打印一次损失值，以便观察模型的收敛情况。
5. 保存模型
训练完成后，我们需要将模型的参数保存到文件中，以便后续加载和使用。PaddlePaddle 提供了 paddle.save 方法，可以方便地保存模型参数：
paddle.save(model.state_dict(), 'model2.pdparams')6. 加载模型
在需要使用模型进行预测时，我们可以通过 paddle.load 方法加载保存的模型参数，并将其加载到模型中：
model_state_dict = paddle.load('model2.pdparams')
model.load_dict(model_state_dict)7. 预测新数据
加载模型后，我们可以对新的数据点进行预测。以下是预测新数据的代码：
new_data = paddle.to_tensor([[2.0, 2.0], [3.5, 3.0]], dtype='float32')
predictions = model(new_data)
print("Predictions:", predictions.numpy())预测结果是一个概率值，表示数据点属于类别 1 的概率。
8. 完整代码
以下是完整的代码实现：
import paddle
import paddle.nn as nn
import paddle.optimizer as optim
import numpy as np
"""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"""
# 数据准备
class1_points = np.array([[1.9, 1.2],
[1.5, 2.1],
[1.9, 0.5],
[1.5, 0.9],
[0.9, 1.2],
[1.1, 1.7],
[1.4, 1.1]])
class2_points = np.array([[3.2, 3.2],
[3.7, 2.9],
[3.2, 2.6],
[1.7, 3.3],
[3.4, 2.6],
[4.1, 2.3],
[3.0, 2.9]])
# 将数据合并为一个数据集
X = np.vstack((class1_points, class2_points))
y = np.hstack((np.zeros(len(class1_points)), np.ones(len(class2_points))))
# 转换为 Paddle 的 Tensor
X = paddle.to_tensor(X, dtype='float32')
y = paddle.to_tensor(y, dtype='float32').reshape([-1, 1])
# 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) # 输入特征维度为2，输出为1
def forward(self, x):
return nn.functional.sigmoid(self.linear(x))
# 实例化模型、优化器和损失函数
model = LogisticRegression()
optimizer = optim.SGD(parameters=model.parameters(), learning_rate=0.1)
loss_fn = nn.BCELoss()
# 训练模型1000次，每100次展示一下loss
epochs = 1000
for epoch in range(epochs):
y_pred = model(X)
loss = loss_fn(y_pred, y)
loss.backward()
optimizer.step()
optimizer.clear_grad()
if epoch % 100 == 0:
print(f"Epoch {epoch}, Loss: {loss.numpy()}")
# 保存模型
paddle.save(model.state_dict(), 'model2.pdparams')
# 加载模型
model_state_dict = paddle.load('model2.pdparams')
model.load_dict(model_state_dict)
# 预测新数据
new_data = paddle.to_tensor([[2.0, 2.0], [3.5, 3.0]], dtype='float32')
predictions = model(new_data)
print("Predictions:", predictions.numpy())