用paddle实现逻辑回归并生成图像 将代码汇总到一起

在PaddlePaddle（飞桨）中实现逻辑回归是一个简单的机器学习入门示例。逻辑回归通常用于二分类问题，它预测的是输入数据属于某个类别的概率。以下是使用PaddlePaddle构建逻辑回归模型的基本步骤：

# 首先安装PaddlePaddle库
!pip install paddlepaddle

import paddle
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

# 定义数据处理函数
def process_image(img_path):
    img = Image.open(img_path).convert('L')  # 转为灰度图
    img = (np.array(img) / 255.).reshape(1, -1)  # 归一化并转化为单通道二维数组
    return img

# 加载训练数据
data = process_image("your_data_image_path")  # 替换为你的图片路径
label = paddle.to_tensor([0])  # 假设这是一个正样本，标签为0

# 创建模型
model = paddle.nn.Linear(input_dim=data.shape[1], output_dim=1)  # 输入维度为图片特征维度，输出维度为1（对应二分类）

# 设置优化器和损失函数
optimizer = paddle.optimizer.SGD(parameters=model.parameters(), learning_rate=0.01)
loss_fn = paddle.nn.BCELoss()  # 二元交叉熵损失

# 训练模型
for _ in range(100):  # 这里仅做演示，实际应用需更多迭代
    pred = model(data)
    loss = loss_fn(pred, label)
    loss.backward()
    optimizer.step()
    optimizer.clear_grad()

# 可视化权重
weights = model.weight.numpy().flatten()  # 获取线性层的权重向量
plt.bar(range(len(weights)), weights, tick_label=np.arange(data.shape[1]))
plt.xlabel('Feature Index')
plt.ylabel('Weight')
plt.title('Linear Model Weights for Logistic Regression')
plt.show()