继续请教问题:关于 Pytorch 的 Autograd

雷达

2 z3 Y# e2 `. }1 D
为预防老年痴呆，时不时学点新东东玩一玩。
- t7 E! q' p, V1 `# f6 ]' DPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
. B( A2 z: G; Wimport numpy as np
! D8 T6 w$ d7 u# n9 Iimport matplotlib.pyplot as plt
7 v9 Z; ?2 V" s. g1 u& u# A# rimport random

x = torch.tensor(np.arange(1,100,1))
) l* y8 N( v: u, dy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
9 H6 m* F: F/ _+ [* @  I
7 R5 T" Y1 p) u8 R2 s2 Vw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
4 I. e7 p: f7 @/ z. G) j- ^4 kb = torch.tensor(0.,requires_grad=True)

3 z1 I3 q1 ?3 Z, W0 ~epochs = 100

losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
9 }! Q9 D/ N# u' [7 I  y_pred.reshape(-1)

6 f% ~6 b4 d, ]6 A$ N" k& N  loss = torch.square(y_pred - y).mean()   #计算 loss
1 M8 T# v" g2 {$ O" l/ }$ F  losses.append(loss)
9 N5 f5 X8 ^4 q- o  
+ ~. V( `+ \2 Y* \* Q8 W$ w) |  loss.backward() # autograd
  with torch.no_grad():
/ t, T+ K" }- o0 @/ e    w  -= w.grad*0.0001   # 回归 w
; X% t  H+ G1 x7 N' m+ b% H    b  -= b.grad*0.0001    # 回归 b
% Y3 \  X  \% e  s1 p, G  w.grad.zero_()  
0 q. x8 ]/ h$ V+ d$ q  b.grad.zero_()
  K$ J/ R" P  O/ k2 r
6 P& ~) x9 y4 J/ w) yprint(w.item(),b.item()) #结果

! q# Z1 J" c% K. l  G( C  EOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
5 I( w+ d% c0 v) v( j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？
. P) R7 a4 D3 t" {1 M/ x1 R. N

老福

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？
$ O1 ]( @. k( u9 k-------
. Y! e9 b9 Z1 H/ E) O( N, O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？
3 V: r+ e3 W& ?$ |  w-------
* R5 o3 ~% ]4 s2 [1 z不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
: w& a8 E& J1 i" L! v! @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
0 l) k, b$ L- U. J谢谢，算法应该没问题，就是最简单的线性回归。
+ S, L, O' a& z$ U8 @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 ...

$ H4 B2 L/ {2 j! R
1 J* v( o  |% h. h/ D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。
9 _( n, @' d( @
或者把b但的起点改为1试试。

雷达

; P. v- ^1 m# B

老福 发表于 2023-2-14 22:00
4 ?6 k" F0 R; l: J$ N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。
, t' F. _( Z) `8 X$ [4 i
: X+ ^1 R, j2 D% `或者把b但的起点改为1试试。 ...

9 y; l! ]; o2 v/ s
) _( {8 X& _! R1 D* F" u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)

6 ~' n" [5 Q5 |2 M5 A3 e循环次数加成10倍，就看到 b 收敛了
w , b
/ h! r4 G* V3 k  c27.002620697021484 14.826167106628418

  ?; ^% `* r' ?% q, v" S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。