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。
, h4 w; T: Z1 ], e' kPytorch 下面的代码做最简单的一元线性回归：
' w: h, e# D% n) [5 E----------------------------------------------
import torch
3 y* f3 y& }# T$ H$ H: l: Timport numpy as np
1 @+ Q! D: r3 G- w  [$ Bimport matplotlib.pyplot as plt
import random
5 Z1 @5 Q/ O4 Y
8 P+ D2 \" s2 D7 W4 ^# r+ O7 ?2 l8 Dx = 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
" M2 }' }: C; r3 A
' p& b7 ?5 B  \6 z" Aw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
# s+ J* u% I! |1 k( \" c! W
epochs = 100
" O/ I  |8 ?+ f" ~) {
1 S3 x4 Z- F, m& p0 l' V4 N6 a2 H4 Olosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
# C1 l; L( F/ K2 I  y_pred.reshape(-1)

, v- p! @3 s  l( W7 \+ x  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
; S1 g. f, ?( w9 q+ h8 A2 Z3 c  
  loss.backward() # autograd
# j' j4 e0 s+ d; p  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
# y. E2 {7 Z+ F% u! l    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
4 j5 D5 _7 Y4 |& t6 ]  J9 I7 l
/ {+ D$ Q! f- rprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
6 U4 n2 W, ], V  W" ]----------------------------------------------
& }6 W$ C( i( W% a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。
' t* O' [8 F5 h( p0 o高手们帮看看是神马原因？

老福

& G4 o& a. W" r; v4 e2 U
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？
-------
6 I0 p+ o/ _1 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。
) E9 e; z$ c1 `2 d0 y% d-------
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
( k+ c# l8 W; U8 o! N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， ...

5 I/ ]8 f: f) v* |+ b& p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

  o$ ]* K" J( J

雷达 发表于 2023-2-14 21:52
5 K- T  s; r5 n- O谢谢，算法应该没问题，就是最简单的线性回归。
3 |& G" ^( Z! T7 M& C! n3 Z! w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 ...

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。

8 X1 _, K8 I9 _; m9 D: s0 h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。

5 x, ]7 ^7 s- M$ N+ q或者把b但的起点改为1试试。 ...

% i# G4 ]. {+ l2 R' o
; _5 d8 D/ @  z1 e  t. O) O/ W你是对的。
2 h3 w: ^6 Y0 C) h& I去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
  x) y( a7 y9 N, [' }$ p
循环次数加成10倍，就看到 b 收敛了
w , b
  D( o9 t* @9 G27.002620697021484 14.826167106628418

  j, X4 A' l( j2 ]$ H* 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。