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。
2 x9 {4 b, p8 P+ k6 QPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
/ q1 x/ j( J: {# b8 |8 |2 |+ u7 U. Aimport matplotlib.pyplot as plt
import random
8 y6 ^; L$ w  }) P- N6 [) n. a
x = 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
* T- W. e; v4 U- I
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
' q2 B1 D$ y$ j
1 L. ^8 s" B3 N* ^7 J7 k) W7 Fepochs = 100
; @. i7 T" F/ A  p1 O* V3 f- z
losses = []
for i in range(epochs):
3 R. n- p* {) v8 }  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
1 ~# n. r3 I! f1 m3 f$ B/ W
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
; W- z2 N0 o1 _" l  
' O4 t1 }  n8 W; `8 C; q7 W  loss.backward() # autograd
  with torch.no_grad():
1 k; W7 K' ^. f6 b    w  -= w.grad*0.0001   # 回归 w
7 o# c5 y7 B0 O6 c; Z5 n  I: {    b  -= b.grad*0.0001    # 回归 b
4 M  z6 ~$ z# l$ q# q; P% K  w.grad.zero_()  
1 L1 ?( S2 k9 z0 j- J  b.grad.zero_()

print(w.item(),b.item()) #结果
. J/ M* R  ~9 m8 t) L5 Z$ k6 r
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
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

7 d4 q0 Y9 v" W8 {. o# T7 X, w' m
4 c. d1 j8 x4 g, m) u& ]: {0 \+ B" 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？
-------
; Q4 S$ U) t" H; H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
9 w" n3 `# J3 v- L! i$ T+ c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？
# V9 I7 q5 n3 l2 A& b4 \-------
不好意思， ...

$ t( @- g! R5 m1 V+ U8 |+ @# W4 ~% J( Y谢谢，算法应该没问题，就是最简单的线性回归。
; B& O* V% ?7 b/ Y. T: ~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
- ^: A) q% c- [谢谢，算法应该没问题，就是最简单的线性回归。
$ ?9 p- b# L$ 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 ...

+ @  {/ r& X5 @$ r& Q2 {- O1 }" H5 }
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。
2 f) V0 k7 }" d/ @% t
0 G* j8 d' o$ {0 d+ r0 y2 Q, M4 a; j或者把b但的起点改为1试试。

雷达

$ e; q% N: O5 f# d! G5 ?" g* B7 u

老福 发表于 2023-2-14 22:00
3 m* a1 X0 j9 T- k. j1 h, \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。
1 M3 l/ }1 y8 Y0 s- R
% o2 C0 A; i7 P) J- ]或者把b但的起点改为1试试。 ...

* W/ q0 L9 g, H& z' v  ]
! e9 [4 Q$ n& A! |- m你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
7 B0 R; @4 S  k& t( [- by = (x*27+15).reshape(-1)
4 R5 ~& y2 [6 E+ @
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
5 i) v4 z! f* P% Q+ H" i/ U
: I/ k$ b. o+ 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。