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 Q- @( a& E+ f' J  U) jPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
2 N) }( P1 f& ~& [; J/ Himport torch
2 }) Z0 ^, H. l: f( _, `4 ?- uimport numpy as np
2 ?6 ~7 d& ~- A# Fimport matplotlib.pyplot as plt
import random
. @* F+ i" J3 P
3 U2 r  X6 @, T" o  k0 Fx = 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
, O; ]# F7 g& w$ k. K" W5 E2 n7 ?$ H+ M
- _& |5 F4 B: y/ K3 T* Xw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
: F% n1 ?3 T! [. J  y9 v! Ob = torch.tensor(0.,requires_grad=True)
  F# V7 @$ w: k
epochs = 100
# W2 A9 |: A9 f. D
# }; V2 i0 v4 I8 N  H6 \losses = []
) ?3 g& v% y8 u5 c0 `for i in range(epochs):
# s. O& E+ m& e$ S( F$ N4 ~  y_pred = (x*w+b)    # 预测
/ _: a9 V. S' ^1 M" u: I% z  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
5 Q. j$ l, @! L9 ^  losses.append(loss)
/ j  Q, D! R2 Z+ N- U  
  loss.backward() # autograd
  with torch.no_grad():
; f1 c. E+ X" ?    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
" ?# }. ?& c* B' v$ L! m5 k( @
print(w.item(),b.item()) #结果

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 f+ M7 }% _7 o2 O; |& K高手们帮看看是神马原因？

老福

* O* _8 z1 V/ E
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？
2 K3 `1 E9 |8 |, u-------
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。
-------
1 q4 j# A7 K9 F" M$ b- R. |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
7 J8 @" _6 l# L- k; S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* A8 J4 f; S* m" T2 [$ u% O) |1 E, e! V-------
不好意思， ...

, h/ l0 f; C7 K# x( m3 \. i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

5 @0 i% f5 {9 U1 Z6 d' h$ d

雷达 发表于 2023-2-14 21:52
谢谢，算法应该没问题，就是最简单的线性回归。
" D: }6 u' c5 I* 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 ...

" f5 A4 D4 p% i( f8 H
# B7 Q( p! H, M3 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。
1 Z% `7 D( O+ R
3 ?3 R! a. r! T) v% ^% y8 Z8 R或者把b但的起点改为1试试。

雷达

3 q5 h' F$ l$ u$ Z

老福 发表于 2023-2-14 22:00
" [4 A/ T- a+ z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 T' L! x/ l% ~8 c& t5 b
: |& H- T4 @3 p  N- q6 |或者把b但的起点改为1试试。 ...

; p/ g$ x, D* \) x- w
你是对的。
0 v0 V% [# R% R& \+ f0 o去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
$ O0 w" f6 M* k4 m( O+ q7 |y = (x*27+15).reshape(-1)

- S+ q. z# U* p" o+ C, Z$ Z. J循环次数加成10倍，就看到 b 收敛了
w , b
# L7 ^: t+ u* K, S" q27.002620697021484 14.826167106628418

# J- O( K4 E3 d* i. N; r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。