网站上线 邮件群发模板百度网盘人工客服电话

一、使用tensorflow框架实现逻辑回归

1. 数据部分：

• 首先自定义了一个简单的数据集，特征 X 是 100 个随机样本，每个样本一个特征，目标值 y 基于线性关系并添加了噪声。
• tensorflow框架不需要numpy 数组转换为相应的张量，可以直接在模型中使用数据集。

2. 模型定义部分：

方案 1：model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(1,))])

解释：

• 此方案使用 tf.keras.Sequential 构建模型，在列表中直接定义了一个 Dense 层，input_shape=(1,) 表明输入数据的形状。
• 编译模型时，选择随机梯度下降（SGD）优化器和均方误差损失函数。
• 训练完成后，使用 sklearn 的指标评估模型，并输出模型的系数和截距。

import tensorflow as tf
import numpy as np
from sklearn.metrics import mean_squared_error, r2_score# 自定义数据集
X = np.random.rand(100, 1).astype(np.float32)
y = 2 * X + 1 + 0.3 * np.random.randn(100, 1).astype(np.float32)# 构建模型
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(1,))
])# 编译模型
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.01),loss='mean_squared_error')# 训练模型
history = model.fit(X, y, epochs=1000, verbose=0)# 模型评估
y_pred = model.predict(X)
mse = mean_squared_error(y, y_pred)
r2 = r2_score(y, y_pred)
print(f"均方误差 (MSE): {mse}")
print(f"决定系数 (R²): {r2}")# 输出模型的系数和截距
weights, biases = model.layers[0].get_weights()
print(f"模型系数: {weights[0][0]}")
print(f"模型截距: {biases[0]}")

方案 2：model = tf.keras.Sequential()

解释：

• 这种方式先创建一个空的 Sequential 模型，再使用 add 方法添加 Dense 层。
• 后续编译、训练、评估和输出模型参数的步骤与方案 1 类似。

import tensorflow as tf
import numpy as np
from sklearn.metrics import mean_squared_error, r2_score# 自定义数据集
X = np.random.rand(100, 1).astype(np.float32)
y = 2 * X + 1 + 0.3 * np.random.randn(100, 1).astype(np.float32)# 构建模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1, input_shape=(1,)))# 编译模型
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.01),loss='mean_squared_error')# 训练模型
history = model.fit(X, y, epochs=1000, verbose=0)# 模型评估
y_pred = model.predict(X)
mse = mean_squared_error(y, y_pred)
r2 = r2_score(y, y_pred)
print(f"均方误差 (MSE): {mse}")
print(f"决定系数 (R²): {r2}")# 输出模型的系数和截距
weights, biases = model.layers[0].get_weights()
print(f"模型系数: {weights[0][0]}")
print(f"模型截距: {biases[0]}")

方案 3：自定义模型类

解释：

• 继承 Model 基类创建自定义模型类 Linear，在 __init__ 方法中定义 Dense 层。
• call 方法用于实现前向传播逻辑，类似于 PyTorch 中的 forward 方法。
• 后续的编译、训练、评估和参数输出流程和前面方案一致。

import tensorflow as tf
from tensorflow.keras import Model
import numpy as np
from sklearn.metrics import mean_squared_error, r2_score# 自定义数据集
X = np.random.rand(100, 1).astype(np.float32)
y = 2 * X + 1 + 0.3 * np.random.randn(100, 1).astype(np.float32)# 自定义模型类
class Linear(Model):def __init__(self):super(Linear, self).__init__()self.linear = tf.keras.layers.Dense(1)def call(self, x, **kwargs):x = self.linear(x)return x# 构建模型
model = Linear()# 编译模型
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.01),loss='mean_squared_error')# 训练模型
history = model.fit(X, y, epochs=1000, verbose=0)# 模型评估
y_pred = model.predict(X)
mse = mean_squared_error(y, y_pred)
r2 = r2_score(y, y_pred)
print(f"均方误差 (MSE): {mse}")
print(f"决定系数 (R²): {r2}")# 输出模型的系数和截距
weights, biases = model.linear.get_weights()
print(f"模型系数: {weights[0][0]}")
print(f"模型截距: {biases[0]}")

方案 4：函数式 API 构建模型

解释：

• 使用函数式 API 构建模型，先定义输入层，再定义 Dense 层，最后使用 Model 类将输入和输出连接起来形成模型。
• 编译、训练、评估和参数输出的步骤和前面方案相同。注意这里通过 model.layers[1] 获取 Dense 层的权重和偏置，因为第一层是输入层。

import tensorflow as tf
import numpy as np
from sklearn.metrics import mean_squared_error, r2_score# 自定义数据集
X = np.random.rand(100, 1).astype(np.float32)
y = 2 * X + 1 + 0.3 * np.random.randn(100, 1).astype(np.float32)# 定义函数构建模型
def linear():input = tf.keras.layers.Input(shape=(1,), dtype=tf.float32)y = tf.keras.layers.Dense(1)(input)model = tf.keras.models.Model(inputs=input, outputs=y)return model# 构建模型
model = linear()# 编译模型
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.01),loss='mean_squared_error')# 训练模型
history = model.fit(X, y, epochs=1000, verbose=0)# 模型评估
y_pred = model.predict(X)
mse = mean_squared_error(y, y_pred)
r2 = r2_score(y, y_pred)
print(f"均方误差 (MSE): {mse}")
print(f"决定系数 (R²): {r2}")# 输出模型的系数和截距
weights, biases = model.layers[1].get_weights()
print(f"模型系数: {weights[0][0]}")
print(f"模型截距: {biases[0]}")

3. 训练和评估部分：

• 使用 fit 方法对模型进行训练，verbose=0 表示不显示训练过程中的详细信息，训练过程中的损失信息会存储在 history 对象中。
• 通过多个 epoch 进行训练，每个 epoch 包含前向传播、损失计算、反向传播和参数更新。
• 使用 predict 方法进行预测，计算均方误差和决定系数评估模型性能，通过 model.linear.get_weights() 获取模型的系数和截距。

二、保存tensorflow框架逻辑回模型

方式 1：保存为 HDF5 文件（后缀名 .h5）

这种方式会保存模型的结构、权重以及训练配置（如优化器、损失函数等），加载时可以直接得到一个完整可用的模型。

import tensorflow as tf
import numpy as np# 自定义数据集
# 生成 1000 个样本，每个样本有 2 个特征
X = np.random.randn(1000, 2).astype(np.float32)
# 根据特征生成标签
y = (2 * X[:, 0] + 3 * X[:, 1] > 0).astype(np.float32).reshape(-1, 1)# 构建逻辑回归模型
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(2,), activation='sigmoid')
])# 编译模型
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])# 训练模型
model.fit(X, y, epochs=100, batch_size=32, verbose=1)# 保存模型为 HDF5 文件
model.save('logistic_regression_model.h5')# 加载 HDF5 文件模型
loaded_model = tf.keras.models.load_model('logistic_regression_model.h5')# 生成新的测试数据
X_test = np.random.randn(100, 2).astype(np.float32)
y_test = (2 * X_test[:, 0] + 3 * X_test[:, 1] > 0).astype(np.float32).reshape(-1, 1)# 进行预测
y_pred_probs = loaded_model.predict(X_test)
y_pred = (y_pred_probs > 0.5).astype(np.float32)# 计算准确率
accuracy = tf.keras.metrics.BinaryAccuracy()
accuracy.update_state(y_test, y_pred)
print(f"预测准确率: {accuracy.result().numpy()}")

代码解释

1. 数据生成与模型构建：生成自定义数据集，构建并编译逻辑回归模型，然后进行训练。
2. 保存模型：使用 model.save('logistic_regression_model.h5') 将模型保存为 HDF5 文件。
3. 加载模型：使用 tf.keras.models.load_model('logistic_regression_model.h5') 加载保存的模型。
4. 预测与评估：生成新的测试数据，使用加载的模型进行预测，并计算预测准确率。

方式 2：只保存参数

这种方式只保存模型的权重参数，不保存模型的结构和训练配置。加载时需要先定义与原模型相同结构的模型，再将保存的参数加载到新模型中。

import tensorflow as tf
import numpy as np# 自定义数据集
# 生成 1000 个样本，每个样本有 2 个特征
X = np.random.randn(1000, 2).astype(np.float32)
# 根据特征生成标签
y = (2 * X[:, 0] + 3 * X[:, 1] > 0).astype(np.float32).reshape(-1, 1)# 构建逻辑回归模型
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(2,), activation='sigmoid')
])# 编译模型
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])# 训练模型
model.fit(X, y, epochs=100, batch_size=32, verbose=1)# 只保存模型参数
model.save_weights('logistic_regression_weights.h5')# 重新定义相同结构的模型
new_model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(2,), activation='sigmoid')
])# 编译新模型
new_model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])# 加载保存的参数到新模型
new_model.load_weights('logistic_regression_weights.h5')# 生成新的测试数据
X_test = np.random.randn(100, 2).astype(np.float32)
y_test = (2 * X_test[:, 0] + 3 * X_test[:, 1] > 0).astype(np.float32).reshape(-1, 1)# 进行预测
y_pred_probs = new_model.predict(X_test)
y_pred = (y_pred_probs > 0.5).astype(np.float32)# 计算准确率
accuracy = tf.keras.metrics.BinaryAccuracy()
accuracy.update_state(y_test, y_pred)
print(f"预测准确率: {accuracy.result().numpy()}")

代码解释

1. 数据生成与模型构建：同样生成自定义数据集，构建并编译逻辑回归模型，进行训练。
2. 保存参数：使用 model.save_weights('logistic_regression_weights.h5') 只保存模型的权重参数。
3. 重新定义模型：重新定义一个与原模型结构相同的新模型，并进行编译。
4. 加载参数：使用 new_model.load_weights('logistic_regression_weights.h5') 将保存的参数加载到新模型中。
5. 预测与评估：生成新的测试数据，使用加载参数后的新模型进行预测，并计算预测准确率。

通过以上两种方式，可以根据实际需求选择合适的模型保存方法。

三、加载tensorflow框架逻辑回归模型

方案 1：加载保存为 HDF5 文件的模型

当用户将模型保存为 HDF5 文件（后缀名 .h5）时，使用 tf.keras.models.load_model 函数可以直接加载整个模型，包括模型的结构、权重以及训练配置。

import tensorflow as tf
import numpy as np# 生成一些示例数据用于预测
X_test = np.random.randn(100, 2).astype(np.float32)
y_test = (2 * X_test[:, 0] + 3 * X_test[:, 1] > 0).astype(np.float32).reshape(-1, 1)# 加载保存为 HDF5 文件的模型
loaded_model = tf.keras.models.load_model('logistic_regression_model.h5')# 进行预测
y_pred_probs = loaded_model.predict(X_test)
y_pred = (y_pred_probs > 0.5).astype(np.float32)# 计算准确率
accuracy = tf.keras.metrics.BinaryAccuracy()
accuracy.update_state(y_test, y_pred)
print(f"预测准确率: {accuracy.result().numpy()}")

代码解释

1. 数据准备：生成一些示例数据 X_test 和对应的标签 y_test，用于后续的预测和评估。
2. 模型加载：使用 tf.keras.models.load_model('logistic_regression_model.h5') 加载之前保存为 HDF5 文件的模型。
3. 预测与评估：使用加载的模型对测试数据进行预测，将预测概率转换为标签，然后计算预测准确率。

方案 2：加载只保存的参数（权重和偏置）

当用户只保存了模型的参数（权重和偏置）时，需要先定义一个与原模型结构相同的新模型，然后使用 load_weights 方法将保存的参数加载到新模型中。

import tensorflow as tf
import numpy as np# 生成一些示例数据用于预测
X_test = np.random.randn(100, 2).astype(np.float32)
y_test = (2 * X_test[:, 0] + 3 * X_test[:, 1] > 0).astype(np.float32).reshape(-1, 1)# 重新定义相同结构的模型
new_model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(2,), activation='sigmoid')
])# 编译新模型
new_model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])# 加载保存的参数
new_model.load_weights('logistic_regression_weights.h5')# 进行预测
y_pred_probs = new_model.predict(X_test)
y_pred = (y_pred_probs > 0.5).astype(np.float32)# 计算准确率
accuracy = tf.keras.metrics.BinaryAccuracy()
accuracy.update_state(y_test, y_pred)
print(f"预测准确率: {accuracy.result().numpy()}")

代码解释

1. 数据准备：同样生成示例数据 X_test 和 y_test 用于预测和评估。
2. 模型定义与编译：重新定义一个与原模型结构相同的新模型 new_model，并进行编译，设置优化器、损失函数和评估指标。
3. 参数加载：使用 new_model.load_weights('logistic_regression_weights.h5') 将之前保存的参数加载到新模型中。
4. 预测与评估：使用加载参数后的新模型对测试数据进行预测，将预测概率转换为标签，最后计算预测准确率。

通过以上两种方案，可以根据不同的保存方式正确加载 TensorFlow 模型。

四、完整流程

1. 实现思路

① 导入必要的库

在开始之前，需要导入 TensorFlow 用于构建和训练模型，NumPy 用于数据处理，以及一些评估指标相关的库。

② 生成自定义数据集

自定义数据集可以根据具体需求生成，这里以一个简单的二维数据集为例，每个样本有两个特征，标签为 0 或 1。

③ 构建逻辑回归模型

一共有4种方式，案例使用其中的TensorFlow的tf.keras.Sequential 构建模型，在列表中直接定义了一个 Dense 层，input_shape=(1,) 表明输入数据的形状。

④ 训练模型

使用生成的数据集对模型进行训练。

⑤ 保存模型

可以选择将模型保存为 HDF5 文件或只保存模型的参数，案例为保存为 HDF5 文件。

⑥ 加载模型并进行预测

此案例为加载 HDF5 文件模型

2. 代码示例

import tensorflow as tf
import numpy as np
from sklearn.metrics import accuracy_score# 生成 1000 个样本，每个样本有 2 个特征
X = np.random.randn(1000, 2).astype(np.float32)
# 根据特征生成标签
y = (2 * X[:, 0] + 3 * X[:, 1] > 0).astype(np.float32).reshape(-1, 1)# 构建逻辑回归模型
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(2,), activation='sigmoid')
])# 编译模型
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])# 训练模型
model.fit(X, y, epochs=100, batch_size=32, verbose=1)# 保存模型
model.save('logistic_regression_model')# 加载模型
loaded_model = tf.keras.models.load_model('logistic_regression_model')# 生成新的测试数据
X_test = np.random.randn(100, 2).astype(np.float32)
y_test = (2 * X_test[:, 0] + 3 * X_test[:, 1] > 0).astype(np.float32).reshape(-1, 1)# 进行预测
y_pred_probs = loaded_model.predict(X_test)
y_pred = (y_pred_probs > 0.5).astype(np.float32)# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"预测准确率: {accuracy}")

3. 代码解释

① 数据集生成：

使用 np.random.randn 生成具有两个特征的随机样本，根据特征的线性组合生成标签。

② 模型构建：

使用 tf.keras.Sequential 构建一个简单的逻辑回归模型，包含一个具有 sigmoid 激活函数的全连接层。

③ 模型编译：

使用 adam 优化器和 binary_crossentropy 损失函数进行编译，并监控准确率指标。

④ 模型训练：

使用 fit 方法对模型进行训练，指定训练轮数和批次大小。

⑤ 模型保存：

使用 model.save 方法将模型保存到指定目录。

⑥ 模型加载与预测：

使用 tf.keras.models.load_model 加载保存的模型，生成新的测试数据进行预测，并计算预测准确率。