继续请教问题:关于 Pytorch 的 Autograd

雷达

2 @2 u' t! `' X7 `
为预防老年痴呆，时不时学点新东东玩一玩。
  u6 |$ L8 H5 r2 ~0 t0 p! E8 @/ Y. bPytorch 下面的代码做最简单的一元线性回归：
" w1 F* j; ?$ c, ^" u----------------------------------------------
; y% i5 ]% V, o* e7 j: aimport torch
7 i- f) m# K, u0 }import numpy as np
1 @( J* e. u2 j* ?$ A" r4 w! timport matplotlib.pyplot as plt
# S% n4 v" ?9 {! }7 Y7 s4 K" [4 Simport random
, X/ R$ ?) L) M  t
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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

3 _! y! _$ Y8 @2 s) ]7 i5 B% kepochs = 100
4 J9 r$ a9 z: q3 p5 [3 F/ x, P8 h
6 s. ?. |+ d. x& }' N$ W  R7 Ylosses = []
for i in range(epochs):
, u+ C) ^) g8 m3 T/ h  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
7 p8 x8 ?8 M' o2 @
, G3 D  ]5 P5 m# p; c2 ~* o  loss = torch.square(y_pred - y).mean()   #计算 loss
7 X7 I, ?0 q' G6 A# v2 T  losses.append(loss)
5 Z2 B) T, @/ O# j+ Z/ q; X  
  loss.backward() # autograd
) U$ E; T6 [% Y5 n5 I- U1 U. u  with torch.no_grad():
/ |/ V1 o* ~8 l    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
0 g+ q, k; F! U
print(w.item(),b.item()) #结果
+ n7 r8 Q; j4 e
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。
2 _$ Z4 `- [. x0 n" P高手们帮看看是神马原因？
' T1 f, m3 G) h/ f8 q' d! z

老福

+ J( E6 F. C* Z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？
-------
) |4 d6 t9 k2 r6 F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。
/ A4 c+ L# v) v& y6 u) m0 [-------
6 d" A2 b$ s8 p* P( W$ m# H& {% w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
. }) D8 Z9 d8 O: _3 r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， ...

4 n1 Z3 k1 w6 W/ e7 H/ j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

雷达 发表于 2023-2-14 21:52
7 v$ u7 v$ _9 W" L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 ...

, \2 n! [% `6 l4 B: S8 o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。
+ Y: V) V  D8 |! m
: D! ~7 l6 Z4 {3 h' k9 u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
. ~& Y3 d0 o) Q# \3 G' u' F& Q0 Q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 ?( e/ Q' z. _7 h% W
或者把b但的起点改为1试试。 ...

; [4 \# v) [8 {
1 i9 E- q, w4 P* T你是对的。
) L/ m& W: ^8 V) i. j去掉了随机部分
  e6 Z5 g. D* @5 x+ J; E#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 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。