继续请教问题:关于 Pytorch 的 Autograd

雷达

* D: J0 E) ~  L7 U. y9 V' i
$ b; t- O& ]2 i为预防老年痴呆，时不时学点新东东玩一玩。
6 j8 `# I9 J; `& c  N) o5 s9 `# jPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
% o' }7 y+ t# I* P9 L1 O; P6 m. eimport torch
import numpy as np
import matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
- _. a& Z% c. M! t  e9 oy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
4 Q( J' S8 Z* G( o' r: w
$ e4 \2 p7 q4 Z3 X& ~7 k! G$ m$ _$ vw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
! t* i" l$ s+ T) O' ]( Bb = torch.tensor(0.,requires_grad=True)

6 c6 }4 B- N9 E) k, ^! e, @+ N6 pepochs = 100
% \6 B6 n  n5 U! d: _! X
losses = []
for i in range(epochs):
& H2 Y! v" h+ I% B  y_pred = (x*w+b)    # 预测
/ q9 X8 T! j' ~. x0 ]  y_pred.reshape(-1)
" G" e% s# D. O4 m2 x# F8 S
% X! H6 y- j" \4 u  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
9 |5 j' W' }- J  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
3 K* O) P1 E, Y3 r    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
' C6 ^6 [0 {2 r9 V
print(w.item(),b.item()) #结果
- `" c# I6 K. Z8 o2 Y2 R& o
Output： 27.26387596130371  0.4974517822265625
4 h1 o. a  n& f5 Z$ Q----------------------------------------------
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？
; C' R% U4 B" e( H3 `4 F* A5 [3 v

老福

  c$ W' i' j8 q8 W  V; V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？
" p( `  z- M' K; N-------
4 N: R+ I& n7 Q7 Q' ^1 I1 Z6 r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？
4 h! F$ J& j, r# i3 l8 w-------
+ ?  d+ q1 @& l3 j不好意思， ...

0 T0 L3 m( z: a$ j7 F2 j谢谢，算法应该没问题，就是最简单的线性回归。
% l/ [, D2 b6 v! f; t2 U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 ...

" j$ P7 U( W8 x) ^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

, `+ @* b6 \+ n9 T. F) R9 P

老福 发表于 2023-2-14 22:00
# f9 a3 i, j8 G( K8 l) f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。

. r+ B$ v2 }: p或者把b但的起点改为1试试。 ...

你是对的。
  m8 m6 i. O' d2 A8 R' G. c去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
6 x6 `# N# L1 s% Z
; b# Z, c5 e$ p循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

1 C& A$ p* [  h, g# N$ P  [- i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。