数组转换为相应的张量#xff0…一、使用tensorflow框架实现逻辑回归

数据部分

基于线性关系并添加了噪声。

tensorflow框架不需要numpy

模型定义部分

tf.keras.Sequential([tf.keras.layers.Dense(1,

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

tf.keras.Sequential([tf.keras.layers.Dense(1,

input_shape(1,))

model.compile(optimizertf.keras.optimizers.SGD(learning_rate0.01),lossmean_squared_error)#

训练模型

model.add(tf.keras.layers.Dense(1,

input_shape(1,)))#

model.compile(optimizertf.keras.optimizers.SGD(learning_rate0.01),lossmean_squared_error)#

训练模型

model.compile(optimizertf.keras.optimizers.SGD(learning_rate0.01),lossmean_squared_error)#

训练模型

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]

tf.keras.layers.Input(shape(1,),

dtypetf.float32)y

tf.keras.layers.Dense(1)(input)model

tf.keras.models.Model(inputsinput,

outputsy)return

model.compile(optimizertf.keras.optimizers.SGD(learning_rate0.01),lossmean_squared_error)#

训练模型

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

0).astype(np.float32).reshape(-1,

1)#

tf.keras.Sequential([tf.keras.layers.Dense(1,

input_shape(2,),

model.compile(optimizeradam,lossbinary_crossentropy,metrics[accuracy])#

训练模型

model.save(logistic_regression_model.h5)#

HDF5

tf.keras.models.load_model(logistic_regression_model.h5)#

X_test

0).astype(np.float32).reshape(-1,

1)#

tf.keras.metrics.BinaryAccuracy()

y_pred)

{accuracy.result().numpy()})代码解释

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。

保存模型使用

model.save(logistic_regression_model.h5)

将模型保存为

tf.keras.models.load_model(logistic_regression_model.h5)

加载保存的模型。

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。

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

0).astype(np.float32).reshape(-1,

1)#

tf.keras.Sequential([tf.keras.layers.Dense(1,

input_shape(2,),

model.compile(optimizeradam,lossbinary_crossentropy,metrics[accuracy])#

训练模型

model.save_weights(logistic_regression_weights.h5)#

new_model

tf.keras.Sequential([tf.keras.layers.Dense(1,

input_shape(2,),

new_model.compile(optimizeradam,lossbinary_crossentropy,metrics[accuracy])#

new_model.load_weights(logistic_regression_weights.h5)#

X_test

0).astype(np.float32).reshape(-1,

1)#

tf.keras.metrics.BinaryAccuracy()

y_pred)

{accuracy.result().numpy()})代码解释

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。

保存参数使用

model.save_weights(logistic_regression_weights.h5)

只保存模型的权重参数。

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。

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。

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。

1加载保存为

0).astype(np.float32).reshape(-1,

1)#

tf.keras.models.load_model(logistic_regression_model.h5)#

进行预测

tf.keras.metrics.BinaryAccuracy()

y_pred)

{accuracy.result().numpy()})代码解释

数据准备生成一些示例数据

tf.keras.models.load_model(logistic_regression_model.h5)

加载之前保存为

文件的模型。

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。

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

0).astype(np.float32).reshape(-1,

1)#

tf.keras.Sequential([tf.keras.layers.Dense(1,

input_shape(2,),

new_model.compile(optimizeradam,lossbinary_crossentropy,metrics[accuracy])#

new_model.load_weights(logistic_regression_weights.h5)#

进行预测

tf.keras.metrics.BinaryAccuracy()

y_pred)

{accuracy.result().numpy()})代码解释

数据准备同样生成示例数据

用于预测和评估。

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。

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。

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。

TensorFlow

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

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

Dense

0).astype(np.float32).reshape(-1,

1)#

tf.keras.Sequential([tf.keras.layers.Dense(1,

input_shape(2,),

model.compile(optimizeradam,lossbinary_crossentropy,metrics[accuracy])#

训练模型

model.save(logistic_regression_model)#

加载模型

tf.keras.models.load_model(logistic_regression_model)#

X_test

0).astype(np.float32).reshape(-1,

1)#