继续请教问题:关于 Pytorch 的 Autograd

雷达

为预防老年痴呆，时不时学点新东东玩一玩。
Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
. K! d8 V  A4 f' u" Kimport torch
import numpy as np
2 @6 [" |2 x) B9 D# i# g* A( z' Aimport matplotlib.pyplot as plt
& ?$ m# d5 \/ S9 o0 ~% ^import random
5 C5 U# r" T) V6 m  v5 f/ ?9 Q) D7 T
x = torch.tensor(np.arange(1,100,1))
' b& E4 H' ^$ v* Yy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

2 J& K2 ~, I! ~  `6 y- L# T% }" W, f* Qw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
9 T3 N1 k4 p( `3 `4 Gb = torch.tensor(0.,requires_grad=True)

* }+ |! b& v# Zepochs = 100
1 R2 H/ Y  O- O) W; G7 B
: L9 L( j4 G4 mlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

) q2 A0 Q( }/ q  loss = torch.square(y_pred - y).mean()   #计算 loss
$ H6 \) U3 E" A, a. D  losses.append(loss)
! G8 R( I( D5 R$ d) b2 ^+ Z( @) U  
6 b( x# D7 q. Y% u2 N; z3 |# z  loss.backward() # autograd
6 f, T1 B- x1 F6 ~6 _  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
! J- {" ~7 u* M* D: R1 ]( [    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
. u" s1 C& @% S! ~- J0 r  b.grad.zero_()
* X$ K4 g4 o* c3 m; L4 @0 Z
; P# n& |* \. ]: Pprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
' ^9 ~% a% @$ N- T5 E& o$ D0 H0 q" p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。
# Q3 u  C! K$ ]$ G6 M3 r高手们帮看看是神马原因？
( J. }5 Z/ z* ^. o. G

老福

  W8 K/ x/ U% t; t+ O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？
-------
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。
-------
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。

雷达

老福 发表于 2023-2-14 19:23
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？
  n7 K0 e! H0 I6 c( K- w5 y5 I  T-------
" }+ y) X+ \7 w; f2 V7 u不好意思， ...

" s" Z8 W. S1 l$ r' h, t, Q4 |谢谢，算法应该没问题，就是最简单的线性回归。
' e0 l# D7 B! o/ a" C; R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。

老福

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。
7 m0 u$ d) |7 g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 ...

* H0 g3 J4 [0 M& j; M7 X
6 Q0 W+ \( C# M& p7 w& \7 W$ |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。
% M. v- i+ f$ F+ u  b1 ~6 m9 J4 j
或者把b但的起点改为1试试。

雷达

老福 发表于 2023-2-14 22:00
0 X1 Q) p8 n' W" U+ d& a1 w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。 ...

你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
# K- h5 \$ J0 w1 b4 s
6 J# a; _; g  O. i5 Y循环次数加成10倍，就看到 b 收敛了
/ [4 x8 k; s6 S) p) Jw , b
27.002620697021484 14.826167106628418

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。