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。
) d# D4 l7 n5 Y+ I, b& KPytorch 下面的代码做最简单的一元线性回归：
' x$ m. U& D# S+ n) f* y# D----------------------------------------------
import torch
; I- ?2 x6 d, g% ^% Q# wimport numpy as np
" A$ Y. C4 f5 Z0 Fimport matplotlib.pyplot as plt
import random
2 F# U. \2 L/ l: E
x = torch.tensor(np.arange(1,100,1))
+ o! Y( ~( u  Y: |- ~y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
0 S) X4 ~% v, t4 G2 B" J, N. }
* @8 N! s! A% Z; U$ yw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
7 y" f. h4 d9 L' [/ |1 [b = torch.tensor(0.,requires_grad=True)
5 h! a; A; `) X
epochs = 100

, s" h. y9 {! l8 p6 llosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
0 a6 N5 v3 e0 T3 P
4 h/ @1 c7 {  B1 V* o& i  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
1 z+ I, x$ W& b5 b1 a( g  X  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_()

6 {' D1 X! f2 t7 E9 W5 l* X1 A) \print(w.item(),b.item()) #结果
- Y) l! _% W% b( g7 X) Y  x: t7 x, j3 v
Output： 27.26387596130371  0.4974517822265625
5 o# Y$ R# P3 N' P----------------------------------------------
( o, e7 [; ^9 K& x$ g) A$ b% E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

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？
8 }1 Q$ I* W7 _7 k0 {$ m, |& ~-------
: ?9 S. ~% T6 {/ Y" Z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。
-------
& `/ n. J# y$ a; `: q5 B: J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？
-------
: ]* Q% }# l6 x8 E* j7 n" q2 Q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
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 ...

% s) F- ^2 n9 ^+ L
0 H$ }) _+ T) {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。

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。 ...

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)

/ g0 i) Q3 \& ]8 D  }0 I4 t循环次数加成10倍，就看到 b 收敛了
w , b
/ N! S3 M5 n1 f4 l' [+ @' D$ }27.002620697021484 14.826167106628418

3 q% j3 e0 V: ~$ R4 T) P$ g1 ^2 p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。