继续请教问题:关于 Pytorch 的 Autograd

雷达

0 Y6 F2 R7 h: A5 ]0 [7 x
为预防老年痴呆，时不时学点新东东玩一玩。
. a8 m. X. A6 V- E9 |! E( M1 T$ ]Pytorch 下面的代码做最简单的一元线性回归：
4 ?/ k9 F* m& U* u# X----------------------------------------------
) g4 y& v/ B! e/ fimport torch
1 S8 q' t$ N8 b0 |' L2 c1 C6 Wimport numpy as np
+ ^' q: d0 ?5 `3 B; |; gimport matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
) h& ^- T2 [# o( {) ~! ]1 z+ Ny = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
: v3 t& F$ z+ V- U) A: ~, ?: @
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
0 S5 F$ b; h' Q, ]0 t3 M
epochs = 100

& \) \& F, F# y% o! F- d7 ylosses = []
0 K$ c* O7 h3 a2 h. H: Dfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
7 {% b2 @6 v, Q7 Q; n/ z  y_pred.reshape(-1)
& A2 E8 D% @# J4 J' V3 x9 u. F
  loss = torch.square(y_pred - y).mean()   #计算 loss
8 G  k- ~2 A+ H  losses.append(loss)
  
2 A; O) q: m0 ^" ?  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_()  
  b.grad.zero_()
: D% K9 x% O* _& u5 {! m' Y
) b! g. t. w9 X/ B: J2 Gprint(w.item(),b.item()) #结果
$ P9 L8 g9 s; v
Output： 27.26387596130371  0.4974517822265625
% o2 \! h" r( n" e6 f; D----------------------------------------------
' g0 @! s1 C6 _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。
' D0 z7 G4 J1 V8 _高手们帮看看是神马原因？

老福

3 E* d' v( w( g$ F+ `* w
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？
, _0 P) M. {) e- n6 M* J% M& P-------
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。
* D) x% I, T3 P" W5 X7 @) B% }' `-------
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
$ q/ {- p' \$ W3 b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？
1 c* P1 A. \; c4 I* ?. Y  t-------
( N  L* j/ A, G: F! a% O' k不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
( z2 d6 S0 K/ |' ?- d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

: X, C! S+ A3 \

雷达 发表于 2023-2-14 21:52
8 E: q3 ^& I. s, Z6 u7 Q6 @2 f谢谢，算法应该没问题，就是最简单的线性回归。
$ k$ q4 o8 ^7 X6 s! C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。
7 S6 T! K  g4 ?; m3 y+ E9 W
- j3 X/ \: S' D; [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
) M0 ^7 G, ^( o# }: q+ \8 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。
/ M1 ?+ A6 p! \7 Z2 }, d
# z4 T- K4 l; C4 i% Z; T# D或者把b但的起点改为1试试。 ...

8 O0 y! ^! W. [! i4 {
你是对的。
去掉了随机部分
% [2 @( {+ d7 {/ q6 Z* U; j" i) X+ F% ]# b#y = (x*27+15+random.randint(-2,3)).reshape(-1)
. \  \% ~2 p$ h; F. Z9 l0 by = (x*27+15).reshape(-1)
! C+ `! ?. W' p2 ~( e4 N7 u
9 `! j3 O( A" G7 T6 c- M$ ]循环次数加成10倍，就看到 b 收敛了
w , b
+ I: t3 N  e2 a; C, t27.002620697021484 14.826167106628418
. k4 O* B; m. _. a4 N' r. ~" X: J
1 T# _& U$ A4 L0 H* a" x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。