继续请教问题:关于 Pytorch 的 Autograd

雷达

2 \( Z0 W0 P) R- L% ]" |
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：
/ E1 {5 D) H) P----------------------------------------------
- _6 Z1 k: m1 W0 {- jimport torch
% ^9 @1 n7 |* c4 ~* C, d- N8 D( himport numpy as np
' e7 f, |( [0 ]# O4 \" simport matplotlib.pyplot as plt
# {6 S8 h" ]6 Z0 `4 Aimport random
2 R9 W" D7 k" P8 [$ v
x = torch.tensor(np.arange(1,100,1))
5 k+ a: f& I- V$ Q6 _y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
" a! t' y( Y8 }: A5 A
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
: i- e7 L/ x6 Q* y
$ q4 u' f% m! G7 }  m$ jepochs = 100
) o, E; H1 f) m9 V
losses = []
/ J" D$ f# A  G$ b" c& cfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
' l1 m& v5 e9 y' ?  y_pred.reshape(-1)
( ~% m2 b4 [  H. a/ ~
  loss = torch.square(y_pred - y).mean()   #计算 loss
' E' N' \  _, _7 _) J  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
5 [% e: r" M/ a    w  -= w.grad*0.0001   # 回归 w
4 @! D9 X- B- ^: G$ p: e& P    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
* y( a) d2 V' E! R. e  Y  b.grad.zero_()

0 M7 m% y7 J/ _) cprint(w.item(),b.item()) #结果
; I& z( I9 o. E( b, t( o
Output： 27.26387596130371  0.4974517822265625
7 p4 r0 |6 d! l1 t! J----------------------------------------------
2 T  H# \8 b6 U/ z% b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

/ s7 Y9 j- ?2 H
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？
: W0 o2 q" W" @5 ^, 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。
-------
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？
-------
不好意思， ...

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
$ M9 ]( F7 y4 r2 O5 e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 ...

. Z, N7 s9 }. n  e
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。
) M) I- c: L! }3 e
9 U- M0 m" U4 s1 n或者把b但的起点改为1试试。

雷达

6 r; x# }$ V" w, C4 B  l' P

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。

# a# r& b! A1 R/ y或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
; s0 r6 c! r  i0 b* j
循环次数加成10倍，就看到 b 收敛了
/ N0 s' D3 @9 y" iw , b
( A* Y+ G- \* ]3 P1 U27.002620697021484 14.826167106628418
, Z6 D4 }+ N; h
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。