爱吱声

标题: 继续请教问题:关于 Pytorch 的 Autograd [打印本页]

---

作者: 雷达    时间: 2023-2-14 13:09
标题: 继续请教问题:关于 Pytorch 的 Autograd

; n4 w5 f8 B0 s7 D( t, Y6 n- s! a
为预防老年痴呆，时不时学点新东东玩一玩。
, f1 A7 k: P6 Z4 a8 @3 A8 [Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
# X- N3 L, e7 n" r; `2 ?import numpy as np
import matplotlib.pyplot as plt
import random
/ J9 Q% j  L! j1 K
/ Z9 o! P/ y3 ~; xx = torch.tensor(np.arange(1,100,1))
y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
9 d. @1 T- I. [: `4 i$ l" I
1 B0 C) t$ \7 h: Kw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
) E" P2 [4 N' u' Vb = torch.tensor(0.,requires_grad=True)
1 j, q0 A, }4 W
epochs = 100
) @$ I8 S& h1 u- s* s
losses = []
for i in range(epochs):
+ y/ s" `. R; ~6 a+ R9 @  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

! c$ p) w$ L3 t* ?4 o# i, ^$ s  loss = torch.square(y_pred - y).mean()   #计算 loss
& w7 T& f! C+ Y  g! r* d( |  losses.append(loss)
1 ^' b  \- U: F$ }' m  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
; p/ J- c3 b5 W) N8 O( r3 D  b.grad.zero_()

6 M1 q2 ?6 d! D! vprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
: [5 H) d+ F# @4 ]/ H----------------------------------------------
0 X' F9 b0 x% Z) o* t* x$ o最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
高手们帮看看是神马原因？
1 h6 B% O5 e3 Y' p! W) L- s

---

作者: 老福    时间: 2023-2-14 19:23

' K) l$ u6 d- d' }0 k% Q
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
5 N. g: {5 d5 t% y/ \-------
不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
  `1 q6 H7 Z% W' s-------
算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

---

作者: 雷达    时间: 2023-2-14 21:52

老福 发表于 2023-2-14 19:23
) f8 c' g: P; n6 r没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
8 v5 z4 k$ l! d8 R: R不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

---

作者: 老福    时间: 2023-2-14 22:00

雷达 发表于 2023-2-14 21:52
谢谢，算法应该没问题，就是最简单的线性回归。
; z7 ?5 Q! e( |1 p( |我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

! I7 `/ W  r7 K
$ O5 g, ]& U3 [# m5 _& @刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。

或者把b但的起点改为1试试。

---

作者: 雷达    时间: 2023-2-15 00:25

老福 发表于 2023-2-14 22:00
/ d8 |( r* v3 d0 q. L, [  h刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。

或者把b但的起点改为1试试。 ...

) i- s3 n* V! v
你是对的。
去掉了随机部分
) e# J' J9 n) r#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

+ A- j: S; `! v' J3 @9 r循环次数加成10倍，就看到 b 收敛了
$ \, S/ r+ O; Nw , b
27.002620697021484 14.826167106628418

3 X, Y* I+ m5 R" q- G  \+ `3 g' B' E: [和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。

---

欢迎光临 爱吱声 (http://aswetalk.net/bbs/)

Powered by Discuz! X3.2