自定义数据集 使用pytorch框架实现逻辑回归并保存模型，然后保存模型后再加载模型进行预测

代码：

import torch
import numpy as np
import torch.nn as nn# 定义数据：x_data 是特征，y_data 是标签（目标值）
data = [[-0.5, 7.7],[1.8, 98.5],[0.9, 57.8],[0.4, 39.2],[-1.4, -15.7],[-1.4, -37.3],[-1.8, -49.1],[1.5, 75.6],[0.4, 34.0],[0.8, 62.3]]# 将数据转为 numpy 数组
data = np.array(data)# 提取 x_data 和 y_data
x_data = data[:, 0]  # 取第一列作为输入特征
y_data = data[:, 1]  # 取第二列作为目标标签# 将数据转换为 PyTorch 张量
x_train = torch.tensor(x_data, dtype=torch.float32)  # 输入特征
y_train = torch.tensor(y_data, dtype=torch.float32)  # 目标标签# 使用 TensorDataset 来创建一个数据集
from torch.utils.data import DataLoader, TensorDatasetdataset = TensorDataset(x_train, y_train)  # 使用训练数据创建数据集
dataloader = DataLoader(dataset, batch_size=2, shuffle=True)  # 将数据集转换为 DataLoader，批大小为 2，且每个 epoch 都会随机打乱数据# 定义损失函数：均方误差损失 (MSELoss)
criterion = nn.MSELoss()# 定义线性回归模型
class LinearModel(nn.Module):def __init__(self):super(LinearModel, self).__init__()# 使用一个线性层，输入为1维，输出为1维self.layers = nn.Linear(1, 1)def forward(self, x):# 直接返回线性层的输出return self.layers(x)# 初始化模型
model = LinearModel()# 定义优化器：使用随机梯度下降 (SGD)，学习率为 0.01
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)# 设置训练的 epoch 数量
epochs = 500# 开始训练
for n in range(1, epochs + 1):epoch_loss = 0  # 初始化每个 epoch 的总损失# 遍历每一个 batchfor batch_x, batch_y in dataloader:# 对每个输入 batch_x 添加一个维度，使其适应线性回归模型y_pred = model(batch_x.unsqueeze(1))# 计算当前 batch 的损失batch_loss = criterion(y_pred.squeeze(1), batch_y)# 清除梯度optimizer.zero_grad()# 反向传播batch_loss.backward()# 更新模型参数optimizer.step()# 累加损失epoch_loss += batch_loss# 计算当前 epoch 的平均损失avg_loss = epoch_loss / len(dataloader)# 每 10 个 epoch 或第一个 epoch 打印一次损失if n % 10 == 0 or n == 1:print(f"epoches:{n}, loss:{avg_loss:.4f}")# 在每 10 个 epoch 保存一次模型的状态字典torch.save(model.state_dict(), 'model.pth')# 训练完成后，加载保存的模型
model.load_state_dict(torch.load("model.pth"))# 将模型切换到评估模式
model.eval()# 测试数据
x_test = torch.tensor([[1.8]], dtype=torch.float32)  # 测试输入 1.8# 使用模型进行预测
with torch.no_grad():  # 在预测时不计算梯度y_pre = model(x_test)# 打印预测结果
print(y_pre)

结果：