paddle中使用逻辑回归

Paddle（飞桨）是一个开源的人工智能深度学习框架，由阿里云开发。在Paddle中，你可以使用逻辑回归（Logistic Regression）作为基本的二分类模型。逻辑回归是一种线性模型，它通过Sigmoid函数将线性组合的结果映射到0到1之间，通常用于预测概率。

以下是在PaddlePaddle中创建和训练逻辑回归的基本步骤：

1. 导入所需库：

import paddle
from paddle.nn import Linear, Sigmoid

2. 定义模型结构：

class LogisticRegression(paddle.nn.Layer):
    def __init__(self, input_dim):
        super(LogisticRegression, self).__init__()
        self.linear = Linear(input_dim, 1)  # 输出层只有一个节点

    def forward(self, x):
        out = self.linear(x)
        return paddle.sigmoid(out)  # 应用sigmoid激活

3. 创建模型实例并初始化权重：

input_dim = 10  # 假设输入特征有10维
model = LogisticRegression(input_dim)
paddle.seed(1)  # 设置随机种子保证结果可复现
model.eval()  # 设置模型为评估模式

4. 准备数据和标签：

x_data = paddle.randn((100, input_dim))  # 假设我们有100个样本，每个样本10维特征
y_label = paddle.randint(0, 2, (100, 1))  # 标签为0或1

5. 计算损失并优化：

loss_fn = paddle.nn.functional.binary_cross_entropy_with_logits  # 对应于逻辑回归的损失函数
optimizer = paddle.optimizer.SGD(learning_rate=0.01)  # 使用SGD优化器
for epoch in range(num_epochs):  # 循环训练
    y_pred = model(x_data)
    loss = loss_fn(y_pred, y_label)
    optimizer.minimize(loss)  # 更新权重