用paddle实现逻辑回归代码

在PaddlePaddle（简称Paddle）这个深度学习框架中，实现逻辑回归非常直观。逻辑回归是一种基本的分类模型，适合于二分类任务。以下是使用Paddle创建一个简单逻辑回归模型的基本步骤：

# 首先需要安装 paddlepaddle 模块
import paddle

# 定义输入变量
x = paddle.to_tensor([[0.], [1.]])  # 输入特征向量，这里是一个二维张量

# 初始化权重和偏置
w = paddle.Parameter(paddle.randn([1, x.shape[1]]))  # 权重参数
b = paddle.Parameter(0.)  # 偏置参数

# 定义sigmoid激活函数，逻辑回归就是线性变换后取sigmoid值作为预测概率
y_pred = paddle.sigmoid(x.dot(w) + b)

# 定义损失函数，一般选择交叉熵损失（binary_cross_entropy）
loss = paddle.nn.functional.binary_cross_entropy_with_logits(logits=y_pred, labels=paddle.tensor([[1.], [0.]]))

# 定义优化器
optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=[w, b])

# 训练过程
for epoch in range(10):  # 这里是简单的示例，实际应用中会遍历更多的训练数据
    optimizer.clear_grad()  # 清空梯度
    loss.backward()  # 反向传播求导
    optimizer.step()  # 更新参数
    print(f"Epoch {epoch+1}, Loss: {loss.numpy()[0]:.4f}")