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。
  c3 X$ [3 c/ ^. n+ Q7 e- I' hPytorch 下面的代码做最简单的一元线性回归：
# X0 }5 ]: D5 J( j+ J----------------------------------------------
* j/ @: b3 z' H. Dimport torch
import numpy as np
9 \% `2 j* g8 ?0 \9 F: Zimport matplotlib.pyplot as plt
* z3 Z# f5 d9 z# j4 \0 X! X8 }import random
+ Q! q" Q0 e4 d
. I" F& F2 |' Y  @) t9 d4 R% Xx = torch.tensor(np.arange(1,100,1))
$ F: e, Y$ c8 J% [' ny = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
' h, u9 m& c- g
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
1 x" O0 D- N& ^+ C
epochs = 100
2 k/ R. V8 ^% e
losses = []
for i in range(epochs):
0 l5 B" |6 C5 J  y_pred = (x*w+b)    # 预测
) M6 O+ L' H) f. F/ P# q0 ^  y_pred.reshape(-1)
: `% g! i2 u+ e1 b$ H% p3 Y* D
  loss = torch.square(y_pred - y).mean()   #计算 loss
. L$ r; \% J6 e4 j  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
! z) h! x# D* E0 B* l. {- @  w.grad.zero_()  
1 D4 r* z6 F) n8 |  b.grad.zero_()

# e9 M* b8 c- _, j) z: a  ^5 oprint(w.item(),b.item()) #结果
  T+ L" }, `5 p
Output： 27.26387596130371  0.4974517822265625
8 x% N( [" S+ l; h. z/ l! S- R----------------------------------------------
: E) q% Z" k. e8 z! t% H4 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。
4 g3 D7 t3 P, f0 C/ T  m高手们帮看看是神马原因？

老福

! `' b" v2 T# m; @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？
-------
% m8 _: k7 u  [, c  s$ v  I6 N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。
: e0 O0 ]  M5 Q4 {-------
# m1 k2 U, ~* k$ F: |) a! S1 d  r8 c9 Q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？
; A2 S. L+ i: j/ g* @8 x-------
9 ]3 h- f3 U4 I6 s不好意思， ...

' r8 v4 i3 ^4 ~( u# A, ~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。

老福

8 o9 y7 b: G& a) b- \" U0 p) p

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。
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 ...

4 o3 F4 w9 a3 b, R  p! _
* G6 W7 e/ H* t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。

雷达

老福 发表于 2023-2-14 22:00
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。 ...

3 q/ D9 D$ j; E6 x0 |
你是对的。
' b* o( b  c$ e! [! T- a: n7 r9 _& ?去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
' X8 R/ j% p; V' U: Z( b! Qy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
% _' b# u: Z9 f. J) H" \) lw , b
8 V; ^- K* z( Y) y. Z27.002620697021484 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。