在 TensorFlow 中实现逻辑回归、保存模型并加载模型进行预测的过程可以分为以下几个步骤：
- 准备数据：创建或加载你的自定义数据集。
- 构建逻辑回归模型。
- 训练模型。
- 保存模型。
- 加载模型。
- 使用加载的模型进行预测。
-
import tensorflow as tf import numpy as np# 1. 准备数据 # 示例：生成一些随机数据 np.random.seed(0) X_train = np.random.rand(100, 3) # 100个样本，每个样本3个特征 y_train = (np.sum(X_train, axis=1) > 1.5).astype(int) # 简单的标签生成逻辑X_test = np.random.rand(20, 3) # 20个样本用于测试# 2. 构建逻辑回归模型 model = tf.keras.Sequential([tf.keras.layers.Dense(1, activation='sigmoid', input_shape=(3,)) ])# 编译模型 model.compile(optimizer='sgd', loss='binary_crossentropy', metrics=['accuracy'])# 3. 训练模型 model.fit(X_train, y_train, epochs=10, verbose=1)# 4. 保存模型 model_save_path = 'logistic_regression_model.h5' model.save(model_save_path) print(f"Model saved to {model_save_path}")# 5. 加载模型 loaded_model = tf.keras.models.load_model(model_save_path)# 6. 使用加载的模型进行预测 predictions = loaded_model.predict(X_test) predicted_classes = (predictions > 0.5).astype(int)print("Predictions:") print(predicted_classes)
