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：
----------------------------------------------
0 W8 V9 F7 ~8 F5 s, l5 m+ yimport torch
3 s5 @& H, p. ximport numpy as np
) m% C+ O$ }) {, n% |import matplotlib.pyplot as plt
import random

2 u) y, B. X" \3 C. `& Fx = torch.tensor(np.arange(1,100,1))
3 c$ n7 m" _) h: \y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
3 L  _1 k+ H! Q9 k2 p: n: w
9 N/ G) ^3 O9 J5 G$ f8 G5 ]w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
% i! V' S  ^; Lb = torch.tensor(0.,requires_grad=True)
* G& _4 _' S- G& D
, V. b$ _8 W9 M0 a, U" Depochs = 100
( u$ G, o( H- ~" W* S% w0 W2 h: n
+ s* m6 t. X7 Y* u) |2 slosses = []
) l9 g6 w9 t' @: P- F. efor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
  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
3 z0 r6 X. t# |! S3 z; F  w.grad.zero_()  
% M- L+ ~  b4 m2 E9 k  b.grad.zero_()

print(w.item(),b.item()) #结果
6 U0 P9 y; s( x( [: M# f8 P( O  v2 y
' ]! T( U% f5 o8 IOutput： 27.26387596130371  0.4974517822265625
  o6 q  \$ `  C, z----------------------------------------------
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？

老福

, H5 w, N9 Y! d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？
-------
; I* x# t. L' D- o0 M1 `* f9 [  E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？
-------
) f2 _! B! G: B: n$ z不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
5 U2 P9 h+ l1 q7 R4 q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。
" r1 O8 w: E8 K6 `$ Z" [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 ...

8 a1 Y3 I4 x) {- Y
' O2 s  y9 \( j( g6 B1 s: \5 B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
& O9 d/ f6 F  o/ a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。

$ s" p# c" r( a6 V- i或者把b但的起点改为1试试。 ...

1 s" q7 q# g& u+ v" n. a你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
* s+ l, L: d5 d( }. ky = (x*27+15).reshape(-1)
- x) w: f6 B, G  s- Q0 m' Q+ C
循环次数加成10倍，就看到 b 收敛了
3 u  s# E' x2 Mw , b
27.002620697021484 14.826167106628418
  [+ y+ w# W, u2 G  @
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。