TensorFlow实现逻辑回归模型
逻辑回归是一种经典的分类算法，广泛应用于二分类问题。本文将介绍如何使用TensorFlow框架实现逻辑回归模型，并通过动态绘制决策边界和损失曲线来直观地观察模型的训练过程。
数据准备
首先，我们准备两类数据点，分别表示两个不同的类别。这些数据点将作为模型的输入特征。
# 1.散点输入
class1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])
class2_points=np.array([[3.2,3.2],[3.7,2.9],[3.2,2.6],[1.7,3.3],[3.4,2.6],[4.1,2.3],[3.0,2.9]])将两类数据点合并为一个矩阵，并为每个数据点分配相应的标签（0或1）。
#不用单独提取出x1_data 和x2_data
#框架会根据输入特征数自动提取
x_train=np.concatenate((class1_points,class2_points),axis=0)
y_train=np.concatenate((np.zeros(len(class1_points)),np.ones(len(class2_points))))将数据转换为TensorFlow张量，以便在模型中使用。
import tensorflow as tfx_train_tensor = tf.convert_to_tensor(x_train, dtype=tf.float32)
y_train_tensor = tf.convert_to_tensor(y_train, dtype=tf.float32)模型定义
使用TensorFlow的tf.keras模块定义逻辑回归模型。模型包含一个输入层和一个输出层，输出层使用sigmoid激活函数。
def LogisticRegreModel():input = tf.keras.Input(shape=(2,))fc = tf.keras.layers.Dense(1, activation='sigmoid')(input)lr_model = tf.keras.models.Model(inputs=input, outputs=fc)return lr_modelmodel = LogisticRegreModel()定义优化器和损失函数。这里使用随机梯度下降优化器和二元交叉熵损失函数。
opt = tf.keras.optimizers.SGD(learning_rate=0.01)
model.compile(optimizer=opt, loss="binary_crossentropy")训练过程
训练模型时，我们记录每个epoch的损失值，并动态绘制决策边界和损失曲线。
import matplotlib.pyplot as pltfig, (ax1, ax2) = plt.subplots(1, 2)epochs = 500
epoch_list = []
epoch_loss = []for epoch in range(1, epochs + 1):y_pre = model.fit(x_train_tensor, y_train_tensor, epochs=50, verbose=0)epoch_loss.append(y_pre.history["loss"][0])epoch_list.append(epoch)w1, w2 = model.get_weights()[0].flatten()b = model.get_weights()[1][0]slope = -w1 / w2intercept = -b / w2x_min, x_max = 0, 5x = np.array([x_min, x_max])y = slope * x + interceptax1.clear()ax1.plot(x, y, 'r')ax1.scatter(x_train[:len(class1_points), 0], x_train[:len(class1_points), 1])ax1.scatter(x_train[len(class1_points):, 0], x_train[len(class1_points):, 1])ax2.clear()ax2.plot(epoch_list, epoch_loss, 'b')plt.pause(1)结果展示
训练完成后，决策边界图将显示模型如何将两类数据分开，损失曲线图将显示模型在训练过程中的损失值变化。生成结果基本如图所示：
通过动态绘制决策边界和损失曲线，我们可以直观地观察模型的训练过程，了解模型如何逐渐学习数据的分布并优化决策边界。
总结
本文介绍了如何使用TensorFlow实现逻辑回归模型，并通过动态绘制决策边界和损失曲线来观察模型的训练过程。逻辑回归是一种简单而有效的分类算法，适用于二分类问题。通过TensorFlow框架，我们可以轻松地实现和训练逻辑回归模型，并利用其强大的功能来优化模型的性能。
完整代码
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
# 1.散点输入
class1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])
class2_points=np.array([[3.2,3.2],[3.7,2.9],[3.2,2.6],[1.7,3.3],[3.4,2.6],[4.1,2.3],[3.0,2.9]])#不用单独提取出x1_data 和x2_data
#框架会根据输入特征数自动提取
x_train=np.concatenate((class1_points,class2_points),axis=0)
y_train=np.concatenate((np.zeros(len(class1_points)),np.ones(len(class2_points))))
#转化为张量
x_train_tensor=tf.convert_to_tensor(x_train,dtype=tf.float32)
y_train_tensor=tf.convert_to_tensor(y_train,dtype=tf.float32)#2.定义前向模型
# 使用类的方式
# 先设置一下随机数种子
seed=0
tf.random.set_seed(0)def LogisticRegreModel():input=tf.keras.Input(shape=(2,))fc=tf.keras.layers.Dense(1,activation='sigmoid')(input)lr_model=tf.keras.models.Model(inputs=input,outputs=fc)return lr_model
#实例化网络
model=LogisticRegreModel()
#3.定义损失函数和优化器
#定义优化器
#需要输入模型参数和学习率
lr=0.1
opt=tf.keras.optimizers.SGD(learning_rate=0.01)
model.compile(optimizer=opt,loss="binary_crossentropy")# 最后画图
fig,(ax1,ax2)=plt.subplots(1,2)
#训练
epoches=500
epoch_list=[]
epoch_loss=[]
for epoch in range(1,epoches+1):# verbose=0 进度条不显示 epochs迭代次数y_pre=model.fit(x_train_tensor,y_train_tensor,epochs=50,verbose=0)# print(y_pre.history["loss"])epoch_loss.append(y_pre.history["loss"][0])epoch_list.append(epoch)w1,w2=model.get_weights()[0].flatten()b=model.get_weights()[1][0]#画左图# 使用斜率和截距画直线#目前将x2当作y轴 x1当作x轴# w1*x1+w2*x2+b=0#求出斜率和截距slope=-w1/w2intercept=-b/w2#绘制直线 开始结束位置x_min,x_max=0,5x=np.array([x_min,x_max])y=slope*x+interceptax1.clear()ax1.plot(x,y,'r')#画散点图ax1.scatter(x_train[:len(class1_points),0],x_train[:len(class1_points),1])ax1.scatter(x_train[len(class1_points):, 0],x_train[len(class1_points):, 1])#画右图ax2.clear()ax2.plot(epoch_list,epoch_loss,'b')plt.pause(1)相关文章：
TensorFlow实现逻辑回归模型
逻辑回归是一种经典的分类算法，广泛应用于二分类问题。本文将介绍如何使用TensorFlow框架实现逻辑回归模型，并通过动态绘制决策边界和损失曲线来直观地观察模型的训练过程。 数据准备 首先，我们准备两类数据点，分别表示两个不同…...
)
06-AD向导自动创建P封装(以STM32-LQFP48格式为例)
自动向导创建封装 自动向导创建封装STM32-LQFP48Pin封装1.选则4排-LCC或者QUAD格式2.计算焊盘相定位长度3.设置默认引脚位置(芯片逆时针)4.特殊情况下:加额外的标记 其他问题测量距离:Ctrl M测量 && Ctrl C清除如何区分一脚和其他脚?芯片引脚是逆时针看的? 自动向导…...
《 C++ 点滴漫谈： 二十四 》深入 C++ 变量与类型的世界：高性能编程的根基
摘要 本文深入探讨了 C 中变量与类型的方方面面，包括变量的基本概念、基本与复合数据类型、动态类型与内存管理、类型推导与模板支持，以及类型系统的高级特性。通过全面的理论讲解与实际案例分析，展示了 C 类型系统的强大灵活性与实践价值。…...
)
Ceph：关于Ceph 中 RADOS 块设备快照克隆管理的一些笔记整理(12)
写在前面 准备考试，整理 ceph 相关笔记博文内容涉及使用 RADOS 块设备提供 RDB 的快照和克隆如何操作理解不足小伙伴帮忙指正对每个人而言，真正的职责只有一个：找到自我。然后在心中坚守其一生，全心全意，永不停息。所有其它的路都是不完整的，是人的逃避方式，是对大众理想…...
C语言连接Mysql
目录 C语言连接Mysql下载 mysql 开发库 方法介绍mysql_init()mysql_real_connect()mysql_query()mysql_store_result()mysql_num_fields()mysql_fetch_fields()mysql_fetch_row()mysql_free_result()mysql_close() 完整代码 C语言连接Mysql 下载 mysql 开发库 方法一…...
2023CISCN初赛unzip
2023CISCN初赛unzip 随便上传一个文件，会自动跳转到uplaod.php目录下,源码如下： <?php error_reporting(0); highlight_file(__FILE__);$finfo finfo_open(FILEINFO_MIME_TYPE); if (finfo_file($finfo, $_FILES["file"]["tmp_name…...
Elasticsearch的索引生命周期管理
目录 零、参考一、ILM的基本概念二、ILM的实践步骤Elasticsearch ILM策略中的“最小年龄”是如何计算的？如何监控和调整Elasticsearch ILM策略的性能？ 1. **监控性能**使用/_cat/thread_pool API基本请求格式请求特定线程池的信息响应内容 2. **调整ILM策…...
检测到联想鼠标自动调出运行窗口，鼠标自己作为键盘操作
联想鼠标会自动时不时的调用“运行”窗口 然后鼠标自己作为键盘输入 然后打开这个网页 （不是点击了什么鼠标外加按键，这个鼠标除了左右和中间滚轮，没有其他按键了）...
2024年记 | 凛冬将至
放弃幻想，准备斗争！ 考研or就业？ 上大学以来，考研上名校在我的心里一直是一颗种子，2024年初，当时的想法是考研和就业两手抓。买了张宇的高数现代，想要死磕！ 也记了挺多笔记... 如果…...
【Java-数据结构】Java 链表面试题下 “最后一公里”：解决复杂链表问题的致胜法宝
我的个人主页 我的专栏：Java-数据结构，希望能帮助到大家！！！点赞❤ 收藏❤ 引言： Java链表，看似简单的链式结构，却蕴含着诸多有趣的特性与奥秘，等待我们去挖掘。它就像一…...
vim如何解决‘’文件非法关闭后,遗留交换文件‘’的问题
过程描述： 由于我修改文件时（一定得修改了文件，不做任何修改不会产生这个问题）的非法关闭，比如直接关闭虚拟机，或者直接断开远程工具的远程连接，产生了以下遗留交换文件的问题： 点击…...
国内优秀的FPGA设计公司主要分布在哪些城市？
近年来，国内FPGA行业发展迅速，随着5G通信、人工智能、大数据等新兴技术的崛起，FPGA设计企业的需求也迎来了爆发式增长。很多技术人才在求职时都会考虑城市的行业分布和发展潜力。因此，国内优秀的FPGA设计公司主要分布在哪些城市&a…...
运用python爬虫爬取汽车网站图片并下载，几个汽车网站的示例参考
当然，以下是一些常见的汽车网站及其爬虫示例代码，展示如何爬取汽车图片并下载。请注意，爬取网站内容时应遵守网站的使用协议和法律法规，避免对网站造成不必要的负担。 示例1：爬取汽车之家图片 网站地址 汽车之家 爬…...
IO进程寒假作业DAY6
请使用互斥锁 和 信号量分别实现5个线程之间的同步 使用互斥锁 #include <stdio.h> #include <string.h> #include <stdlib.h> #include <stdio.h> #include <unistd.h> #include <sys/types.h> #include <sys/stat.h> #include &…...
C++ 中用于控制输出格式的操纵符——setw 、setfill、setprecision、fixed
目录 四种操纵符简要介绍 setprecision基本用法 setfill的基本用法 fixed的基本用法 setw基本用法 以下是一些常见的用法和示例： 1. 设置字段宽度和填充字符 2. 设置字段宽度和对齐方式 3. 设置字段宽度和精度 4. 设置字段宽度和填充字符，结合…...
solidity高阶 -- 线性继承
Solidity是一种面向合约的高级编程语言，用于编写智能合约。在Solidity中，多线继承是一个强大的特性，允许合约从多个父合约继承属性和方法。本文将详细介绍Solidity中的多线继承，并通过不同的实例展示其使用方法和注意事项。 在Sol…...
PydanticAI应用实战
PydanticAI 是一个 Python Agent 框架，旨在简化使用生成式 AI 构建生产级应用程序的过程。 它由 Pydantic 团队构建，该团队也开发了 Pydantic —— 一个在许多 Python LLM 生态系统中广泛使用的验证库。PydanticAI 的目标是为生成式 AI 应用开发带来类似 FastAPI 的体验，它基…...
Leecode刷题C语言之跳跃游戏②
执行结果:通过 执行用时和内存消耗如下： int jump(int* nums, int numsSize) {int position numsSize - 1;int steps 0;while (position > 0) {for (int i 0; i < position; i) {if (i nums[i] > position) {position i;steps;break;}}}return steps…...
fpga学习入门 串口rs232回环
奇偶检验位这里是省略了 做好回环后可以使用上位机做回环测试，top文件写的方式就是将rx（fpga端）接受到的模块（pc端）tx发送出去，这两个端口用杜邦线连接，同理模块的rx连接fpga的tx，…...
单片机基础模块学习——DS18B20温度传感器芯片
不知道该往哪走的时候，就往前走。 一、DS18B20芯片原理图 该芯片共有三个引脚，分别为 GND——接地引脚DQ——数据通信引脚VDD——正电源 数据通信用到的是1-Wier协议 优点：占用端口少，电路设计方便 同时该协议要求通过上拉电阻…...
)
C基础寒假练习(4)
输入带空格的字符串，求单词个数、 #include <stdio.h> // 计算字符串长度的函数 size_t my_strlen(const char *str) {size_t len 0;while (str[len] ! \0) {len;}return len; }int main() {char str[100];printf("请输入一个字符串: ");fgets(…...
es6.7.1分词器ik插件安装-和head插件连接es特殊配置
es6.7.1分词器ik插件安装-和head插件连接es特殊配置 如果对运维课程感兴趣，可以在b站上、A站或csdn上搜索我的账号： 运维实战课程，可以关注我，学习更多免费的运维实战技术视频 1.查看es6.7.1和es-head安装位置和es插件路径 [ro…...
Luzmo 专为SaaS公司设计的嵌入式数据分析平台
Luzmo 是一款嵌入式数据分析平台，专为 SaaS 公司设计，旨在通过直观的可视化和快速开发流程简化数据驱动决策。以下是关于 Luzmo 的详细介绍： 1. 背景与定位 Luzmo 前身为 Cumul.io ，专注于为 SaaS 公司提供嵌入式分析解决方案。…...
菜鸟之路Day10一一集合进阶（三）
菜鸟之路Day10一一集合进阶（三） 作者：blue 时间：2025.1.28 文章目录 菜鸟之路Day10一一集合进阶（三）0.概述1.双列集合概述2.Map2.1Map的常见API2.2Map的遍历方式 3.HashMap4.LinkedHashMap5.TreeMap 0.概…...
编译讯为3568开发板安卓)
Android车机DIY开发之学习篇(六)编译讯为3568开发板安卓
Android车机DIY开发之学习篇(六)编译讯为3568开发板安卓 1.SDK解压到家目录下的 rk3588_android_sdk 目录 一. 全部编译 ###执行 sudo apt-get update sudo apt-get install git-core gnupg flex bison gperf build-essential zip curl zlib1g-dev gcc-multilib gmultilib…...
Workerman和Swoole有什么区别
Workerman和Swoole都是PHP的socket服务器框架，它们之间存在一些显著的区别，主要体现在以下几个方面： 一、实现语言与性能 Workerman：使用纯PHP实现。由于PHP本身的性能限制，Workerman在某些方面可能不如C语言实现的框…...
MySQL（1）
数据库 基础篇 MYSQL概述 SQL 函数 约束 多表查询 事务 进阶篇 存储索引 索引 SQL优化 试图/存储过程/触发器 锁 InnoDB核心 MySQL管理 运维篇 日志 主从复制 分库本表 读写分离 基础篇 MySQL 数据库概念：存储数据的仓库，数据是有…...
DeepseekMath：超强开源数学模型（论文详解）
摘要 近日，中国团队Deepseek推出了一款名为DeepSeekMath的7B开源数学模型，这个模型在数学方面的表现令人惊叹。DeepSeekMath 7 B在不依赖外部工具包和投票技术的情况下，在竞赛级MATH基准测试中获得了51.7%的分数，接近Gemini-Ultr…...
OpenCSG月度更新2025.1
1月的OpenCSG取得了一些亮眼的成绩 在2025年1月，OpenCSG在产品和社区方面继续取得了显著进展。产品方面，推出了AutoHub浏览器自动化助手，帮助用户提升浏览体验；CSGHub企业版功能全面升级，现已开放试用申请，…...
简易CPU设计入门：控制总线的剩余信号（四）
项目代码下载 请大家首先准备好本项目所用的源代码。如果已经下载了，那就不用重复下载了。如果还没有下载，那么，请大家点击下方链接，来了解下载本项目的CPU源代码的方法。 CSDN文章：下载本项目代码 上述链接为本项目…...
scrol家族 offset家族 client家族学习
Scroll 系列属性 scrollTop & scrollLeft scrollTop: 返回元素的内容已向上滚动的部分的高度。scrollLeft: 返回元素的内容已向左滚动的部分的宽度。 scrollHeight & scrollWidth scrollHeight: 返回元素的实际高度，包括由于溢出而在屏幕上不可见的内容…...
人工智能发展历程
AI 发展历史时间表 1943年，美国神经科学家沃伦斯特麦卡洛克和逻辑学家沃尔特皮茨提出了神经元的数学模型，第一个神经元的数学模型- MP 模型。为现代人工智能学科的建立奠定了基础。1950年，艾伦图灵提出了著名的“图灵测试”，使得…...
vim交换文件的工作原理
在vim中，交换文件是一个临时文件，当我们使用vim打开一个文件进行编辑（一定得是做出了修改才会产生交换文件）时候，vim就会自动创建一个交换文件，而之后我们对于文件的一系列修改都是在交换文件中进行的&…...
利用 PyTorch 动态计算图和自动求导机制实现自适应神经网络
在深度学习任务中，不同任务的复杂度千差万别。为了解决复杂任务对模型容量的需求，同时避免简单任务因过度拟合导致的性能下降，我们可以构建一个能够根据任务自动调整网络结构的神经网络。在 PyTorch 中，动态计算图和自动求导机制为…...
)
docker如何查看容器启动命令(已运行的容器)
docker ps 查看正在运行的容器 该命令主要是为了详细展示查看运行时的command参数 # 通过docker --no-trunc参数来详细展示容器运行命令 docker ps -a --no-trunc | grep <container_name>通过docker inspect命令 使用docker inspect，但是docker inspect打…...
学历赋
崇岳北峙，紫气东临；学海横流，青云漫卷。连九陌而贯八荒，纳寒门而载贵胄。墨池泛舟，曾照匡衡凿壁之光；杏坛飞絮，犹闻仲尼弦歌之音。然观当下，黉宇接天如笋立，青衫叠浪似云…...
vue和reacts数据响应式的差异
Vue 的数据响应式： 原理： Vue 使用 Object.defineProperty 或 Proxy（在 Vue 3 中）来实现数据的响应式。当创建 Vue 实例时，会对 data 对象中的属性进行遍历，将其转换为响应式属性。对于 Object.definePro…...
doris: MAP数据类型
MAP<K, V> 表示由K, V类型元素组成的 map，不能作为 key 列使用。 目前支持在 Duplicate，Unique 模型的表中使用。 K, V 支持的类型有： BOOLEAN, TINYINT, SMALLINT, INT, BIGINT, LARGEINT, FLOAT, DOUBLE, DECIMAL, DECIMALV3, DAT…...
在计算机上本地运行 Deepseek R1
Download Ollama on Linux Download Ollama on Windows Download Ollama on macOS Deepseek R1 是一个强大的人工智能模型，在科技界掀起了波澜。它是一个开源语言模型，可以与 GPT-4 等大玩家展开竞争。但更重要的是，与其他一些模型不同&…...
LeetCode 16. 排列序列
思路 排序数组：对数组进行从小到大排序。 遍历固定一个元素：遍历数组中的每个元素作为三个数中的第一个数，固定该元素后，使用双指针在剩余的子数组中寻找另外两个数。 双指针逼近target：对于每个固定的元素ÿ…...
【C++高并发服务器WebServer】-9：多线程开发
本文目录 一、线程概述1.1 线程和进程的区别1.2 线程之间共享和非共享资源1.3 NPTL 二、线程操作2.1 pthread_create2.2 pthread_exit2.3 pthread_join2.4 pthread_detach2.5 patch_cancel2.6 pthread_attr 三、实战demo四、线程同步五、死锁六、读写锁七、生产消费者模型 一、…...
全解：Redis RDB持久化和AOF持久化
🧑 博主简介：CSDN博客专家，历代文学网（PC端可以访问：https://literature.sinhy.com/#/literature?__c1000，移动端可微信小程序搜索“历代文学”）总架构师，15年工作经验，…...
视频外绘技术总结：Be-Your-Outpainter、Follow-Your-Canvas、M3DDM
Diffusion Models专栏文章汇总：入门与实战 前言：视频Inpaint的技术很火，但是OutPaint却热度不高，这篇博客总结比较经典的几篇视频Outpaint技术。其实Outpaint在runway等工具上很火，可是学术界对此关注比较少，博主从这三年的顶会中找到了最具代表性的三篇论文解读。 目录 …...
 教程(5))
LLM - 大模型 ScallingLaws 的设计 100B 预训练方案(PLM) 教程(5)
欢迎关注我的CSDN：https://spike.blog.csdn.net/ 本文地址：https://spike.blog.csdn.net/article/details/145356022 免责声明：本文来源于个人知识与公开资料，仅用于学术交流，欢迎讨论，不支持转载。 Scaling Laws (缩放法则) 是大模型领域中，用于描述 模型性能(Loss) 与…...
Python帝王學集成-母稿
引用：【【全748集】这绝对是2024最全最细的Python全套教学视频，七天看完编程技术猛涨！别再走弯路了，从零基础小白到Python全栈这一套就够了！-哔哩哔哩】 https://b23.tv/lHPI3XV 语法基础 Python解释器与pycharm编辑器安装 - 定义：Python解释器负责将Python代码转换为计…...
MySQL数据导入与导出
在现代软件开发中，数据管理是一个重要的核心环节，而数据库则是进行数据管理的主要工具。MySQL 作为一款开源的关系型数据库管理系统，被广泛应用于企业和个人开发项目中。对于学习编程的初学者或是自学者来说，掌握 MySQL 的基本操作尤为重要，尤其是数据的导入与导出功能。这…...
微服务面试题：概览
🧑 博主简介：CSDN博客专家，历代文学网（PC端可以访问：https://literature.sinhy.com/#/?__c1000，移动端可微信小程序搜索“历代文学”）总架构师，15年工作经验，精通Java编…...
每日一题 430. 扁平化多级双向链表
430. 扁平化多级双向链表 简单 /*class Solution { public:Node* flatten(Node* head) {Node* tail nullptr;return dfs(head);}Node* dfs(Node* head){Node* cur head;while(cur ! nullptr){if(cur->child ! nullptr){Node* curChild getTail(cur->child);Node* te…...
冯诺依曼系统及操作系统
目录 一.冯诺依曼体系结构 二.操作系统 三.系统调用和库函数概念 一.冯诺依曼体系结构 我们常见的计算机，如笔记本。我们不常见的计算机，如服务器，大部分都遵守冯诺依曼体系 截至目前，我们所认识的计算机，都是由一…...
双指针（典型算法思想）——OJ例题算法解析思路
目录 一、283. 移动零 - 力扣（LeetCode） 1. 问题分析 2. 算法思路 3. 代码逐行解析 4. 示例运行 5. 时间复杂度与空间复杂度 6. 总结 二、1089. 复写零 - 力扣（LeetCode） 1. 问题分析 2. 算法思路 3. 代码逐行解析 4. …...