用paddle实现逻辑回归案例

PaddlePaddle，也称为飞桨，是中国阿里云推出的一个开源深度学习框架。下面是一个简单的逻辑回归案例示例，我们将使用PaddlePaddle来构建和训练一个逻辑回归模型：

首先，安装PaddlePaddle库（如果尚未安装）：

pip install paddlepaddle

然后，导入必要的模块并准备数据集：

import paddle
from paddle.nn import Linear
from paddle.dataset import classification
# 假设我们有特征x和标签y作为numpy数组
train_dataset = ...  # 负责加载训练数据
test_dataset = ...   # 负责加载测试数据

# 预处理数据，例如标准化、划分输入和标签
def preprocess(data):
    feature, label = data
    return paddle.to_tensor(feature), paddle.to_tensor(label)

train_loader = paddle.io.DataLoader(train_dataset, batch_size=32, shuffle=True, collate_fn=preprocess)
test_loader = paddle.io.DataLoader(test_dataset, batch_size=32, collate_fn=preprocess)

接下来，定义模型结构：

class LogisticRegression(paddle.nn.Layer):
    def __init__(self, input_dim):
        super(LogisticRegression, self).__init__()
        self.fc = Linear(input_dim, 1)  # 输出层，因为是二分类问题所以设置为1个神经元

    def forward(self, x):
        y_pred = self.fc(x)
        return y_pred

model = LogisticRegression(input_dim=x.shape[1])

配置优化器和损失函数：

optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())
loss_fn = paddle.nn.CrossEntropyLoss()

开始训练模型：

num_epochs = 10
for epoch in range(num_epochs):
    for i, (data) in enumerate(train_loader()):
        x, y = data
        y_pred = model(x)
        loss = loss_fn(y_pred, y)
        
        # 反向传播和更新权重
        loss.backward()
        optimizer.step()
        optimizer.clear_grad()

    print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.numpy():.4f}")

最后，评估模型在测试集上的性能：

correct = 0
total = 0
with paddle.no_grad():
    for data in test_loader():
        x, y = data
        y_pred = model(x)
        predicted_y = paddle.argmax(y_pred, axis=1)
        correct += paddle.sum(predicted_y == y).numpy()
        total += len(y)

accuracy = correct / total
print(f"Test accuracy: {accuracy * 100:.2f}%")

这就是使用PaddlePaddle实现逻辑回归的基本步骤。