paddle库实现简单逻辑回归代码案例

Paddle是Python中用于深度学习的开源库，由阿里云开发。下面是一个简单的逻辑回归代码案例，它使用PaddlePaddle来构建和训练模型：

# 导入所需模块
import paddle
import numpy as np

# 定义数据
X = paddle.to_tensor(np.random.randn(100, 1), dtype='float32')   # 输入特征
y = paddle.to_tensor(np.random.randint(0, 2, size=(100,)), dtype='int64')   # 输出标签，二分类问题

# 创建逻辑回归模型
linear_model = paddle.nn.Linear(in_features=1, out_features=1)  # 线性层，输入1维，输出1维

# 损失函数
loss_fn = paddle.nn.CrossEntropyLoss()  # 对于二分类问题通常使用交叉熵损失

# 优化器
optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters=linear_model.parameters())  # 使用随机梯度下降优化器

# 训练循环
for epoch in range(100):  
    y_pred = linear_model(X)
    loss = loss_fn(y_pred, y)
    
    # 反向传播和更新参数
    loss.backward()
    optimizer.step()
    optimizer.clear_grad()

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

# 训练完成后，模型可用于预测

在这个例子中，我们首先创建了一个线性模型，然后定义了交叉熵损失函数和SGD优化器。通过迭代训练数据，模型逐渐学习到输入特征和标签之间的映射关系。