自定义数据集 使用paddlepaddle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

import numpy as np
import paddle
import paddle.nn as nn

seed = 1
paddle.seed(seed)

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数组格式
data = np.array(data)

# 分离特征(x)和标签(y)，x是输入，y是输出
x_data = data[:, 0]
y_data = data[:, 1]

# 将数据转为Paddle张量类型，paddle.to_tensor用于转换
x_train = paddle.to_tensor(x_data, dtype=paddle.float32)
y_train = paddle.to_tensor(y_data, dtype=paddle.float32)


# 定义线性回归模型，继承自paddle.nn.Layer
class LinearModel(nn.Layer):
    def __init__(self):
        # 初始化时，定义一个线性层（1个输入特征和1个输出特征）
        super(LinearModel, self).__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        # 前向传播，输入x通过线性层计算输出
        x = self.linear(x)
        return x


# 实例化模型对象
model = LinearModel()

# 定义损失函数，