继续请教问题:关于 Pytorch 的 Autograd

雷达

5 T7 o5 H1 L: }9 B% h" G; |, {
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：
* l  p) k) k' o----------------------------------------------
import torch
/ k. x3 k: V' z- d7 Cimport numpy as np
import matplotlib.pyplot as plt
6 P3 C  A" E5 I. wimport random

5 y7 @0 b6 X6 u1 \7 H" |, L& Bx = torch.tensor(np.arange(1,100,1))
6 M5 {" d5 h: s0 Ry = (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
3 q# L0 P7 D7 K5 J5 wb = torch.tensor(0.,requires_grad=True)
5 U6 X5 K0 e* v/ l: W+ C/ [
$ ^9 h& t' O# I5 E% G0 D- Qepochs = 100
# H6 N  q. C) }5 p0 g) a9 }
2 r- Y$ O$ h  @6 U) m2 v$ mlosses = []
for i in range(epochs):
5 O; D9 t( Q; `  G& l  y_pred = (x*w+b)    # 预测
& l( d: _5 k$ }! A' Q0 G  y_pred.reshape(-1)
! \# s& @* [8 o3 F; n: {& x1 a, s% g4 ?* ?
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
4 ~: q2 B7 Q0 o8 y4 s2 R  loss.backward() # autograd
& {3 `  z* k8 O5 x  with torch.no_grad():
8 f+ y0 _! \1 o, q. Y% U$ C% u. ]    w  -= w.grad*0.0001   # 回归 w
2 W0 S1 Y$ {. d. ?5 s    b  -= b.grad*0.0001    # 回归 b
  a% t8 T1 y2 a! y3 O7 y  w.grad.zero_()  
# ^# h% \* L# \2 W4 N. `  b.grad.zero_()
# P& y, p8 t+ A  W2 W( e
! Y2 Y# j9 @2 J3 S  e" dprint(w.item(),b.item()) #结果
. W: R: w0 |; K! y8 n) z
  P8 L( t1 }" g- @% N5 a; qOutput： 27.26387596130371  0.4974517822265625
1 S' Z: e4 G( h+ K, B1 X----------------------------------------------
/ E" N2 e# \+ J; H5 z7 u5 R- X) B: f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。
. b, n7 O2 ^3 X1 x7 ^- d高手们帮看看是神马原因？
3 u9 S+ Z6 R6 w9 S6 j0 H

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？
-------
( C" H" O; B, _' Q% D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。
7 z) r3 K( _/ M; u% G4 s-------
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， ...

, |: h# [# K# D' d) y谢谢，算法应该没问题，就是最简单的线性回归。
9 C" l* B. ~$ N/ e7 o3 H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

2 Y$ k$ {* t/ ^* {/ ^% m

雷达 发表于 2023-2-14 21:52
( n1 E9 j! ^3 w! ~" [谢谢，算法应该没问题，就是最简单的线性回归。
0 [; K2 Z, C; @  o  a( F# U8 N. o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。
3 _! z# b$ N  Z! f' Q
. I  n( w7 X3 K6 L  {0 o6 t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。
+ z( x" G1 Z0 i  Z
或者把b但的起点改为1试试。 ...

% r9 r; O; E) y你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
0 Y, J( ]2 ~7 x' cy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
! n$ U1 a* T+ A& I0 ^) Aw , b
, x3 o% @9 g+ n2 V& C$ ~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。