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：
----------------------------------------------
import torch
, g$ g/ U  n, M0 r# P2 h9 Qimport numpy as np
) x. I% `* F7 a+ m) m8 T9 vimport matplotlib.pyplot as plt
import random
. @; n% x: G& s) B) z
. _6 H0 M: L- T/ W/ `. _. }x = torch.tensor(np.arange(1,100,1))
( h' A9 E" z' s7 a7 X1 cy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
( p0 @( U1 O1 W3 r* n& f4 ~  z
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100
8 u$ t, W3 o& |! y, |& ~* J
" b* _; J$ Y- Y4 T4 Jlosses = []
1 a4 O. @' v$ {6 G5 j+ Jfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
1 k. y; Y* N8 y' t
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
- @  s& U% f2 S0 T  p3 q1 X) e  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
# R4 L6 `9 f7 c' b  G  b.grad.zero_()

% K3 C/ Z1 T3 H. A- h: i. t1 L/ Oprint(w.item(),b.item()) #结果
( O& h9 y! K7 R2 r6 ^
Output： 27.26387596130371  0.4974517822265625
. T: T6 n$ c3 h9 R# V* S$ f7 l----------------------------------------------
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。
( Z* V- n2 d; F' c; u% Y' w高手们帮看看是神马原因？
7 Y9 P  U3 P, C9 w8 u" o

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？
-------
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。
: L3 X' s  h, ~# l6 T# n-------
  A( l( K2 c# |- Y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？
( A% z+ a" o) b* T6 R-------
$ |) C6 J' a; r: a& w. t% T不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
7 f! K1 }3 ^0 M. Q* k) _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
  M3 _7 o5 P4 f0 w2 Y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 ...

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 D: T( G0 N. [+ H. [) z. R* S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。 ...

( }  r, d5 L) i. u0 R! \/ x你是对的。
# g, _& p0 J7 k, W2 Y去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
' N: u4 n9 N( [* S9 by = (x*27+15).reshape(-1)
' H! C1 c$ n8 W3 O0 r4 _! d$ Y
循环次数加成10倍，就看到 b 收敛了
w , b
( J; ~$ e6 Q5 G3 U2 z2 @3 \27.002620697021484 14.826167106628418
# |/ o7 A: K; m
6 a7 h' }9 ^3 D9 u5 d( }1 l: n4 e9 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。