手机网站 免费,重庆专门做网站的公司,使用 ahrefs 进行 seo 分析,ppt免费下载素材库在本文中#xff0c;我们将展示如何使用 NumPy 创建自定义数据集#xff0c;利用 PyTorch 实现一个简单的逻辑回归模型#xff0c;并在训练完成后保存该模型#xff0c;最后加载模型并用它进行预测。
1. 创建自定义数据集
首先#xff0c;我们使用 NumPy 创建一个简单的…在本文中我们将展示如何使用 NumPy 创建自定义数据集利用 PyTorch 实现一个简单的逻辑回归模型并在训练完成后保存该模型最后加载模型并用它进行预测。
1. 创建自定义数据集
首先我们使用 NumPy 创建一个简单的二分类数据集。假设我们的数据集包含两个特征。
import numpy as np# 生成随机数据
np.random.seed(42)
X np.random.randn(100, 2) # 100个样本2个特征
y (X[:, 0] X[:, 1] 0).astype(int) # 标签为1或0# 打印数据集的前5个样本
print(X[:5], y[:5])2. 构建逻辑回归模型
接下来我们使用 PyTorch 来构建一个简单的逻辑回归模型。PyTorch 提供了 torch.nn.Module 类能够轻松实现神经网络模型。
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset# 转换 NumPy 数据为 PyTorch 张量
X_tensor torch.tensor(X, dtypetorch.float32)
y_tensor torch.tensor(y, dtypetorch.float32).view(-1, 1)# 创建数据集并加载
dataset TensorDataset(X_tensor, y_tensor)
dataloader DataLoader(dataset, batch_size10, shuffleTrue)# 定义逻辑回归模型
class LogisticRegressionModel(nn.Module):def __init__(self):super(LogisticRegressionModel, self).__init__()self.linear nn.Linear(2, 1) # 2个输入特征1个输出def forward(self, x):return torch.sigmoid(self.linear(x))# 初始化模型
model LogisticRegressionModel()3. 训练模型
接下来我们定义损失函数和优化器并训练模型。
# 定义损失函数和优化器
criterion nn.BCELoss()
optimizer optim.SGD(model.parameters(), lr0.01)# 训练模型
epochs 1000
for epoch in range(epochs):for inputs, labels in dataloader:optimizer.zero_grad() # 清空梯度outputs model(inputs) # 前向传播loss criterion(outputs, labels) # 计算损失loss.backward() # 反向传播optimizer.step() # 更新权重if (epoch 1) % 100 0:print(fEpoch [{epoch1}/{epochs}], Loss: {loss.item():.4f})4. 保存模型
模型训练完成后我们可以将模型保存到文件中。PyTorch 提供了 torch.save() 方法来保存模型的状态字典。
# 保存模型
torch.save(model.state_dict(), logistic_regression_model.pth)
print(模型已保存)5. 加载模型并进行预测
我们可以加载保存的模型并对新数据进行预测。
# 加载模型
loaded_model LogisticRegressionModel()
loaded_model.load_state_dict(torch.load(logistic_regression_model.pth))
loaded_model.eval() # 切换到评估模式# 进行预测
with torch.no_grad():test_data torch.tensor([[1.5, -0.5]], dtypetorch.float32)prediction loaded_model(test_data)print(f预测值: {prediction.item():.4f})6. 总结
在这篇博客中我们展示了如何使用 NumPy 创建一个简单的自定义数据集并使用 PyTorch 实现一个逻辑回归模型。我们还展示了如何保存训练好的模型并加载模型进行预测。通过保存和加载模型我们可以在不同的时间或环境中重复使用已经训练好的模型而不需要重新训练它。
