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。
Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
9 i! ?9 v( E2 f. E' S/ jimport torch
4 N1 e% y" x2 P+ Dimport numpy as np
import matplotlib.pyplot as plt
import random

x = 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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

( a  T' b* q; r+ n& H  G: U  Hepochs = 100

losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
) k) j9 `+ {6 C% u: a4 G  y_pred.reshape(-1)
: m4 f: M( T' \
  loss = torch.square(y_pred - y).mean()   #计算 loss
6 t+ E3 h3 ?7 e) K  losses.append(loss)
  
  loss.backward() # autograd
- r3 S  x. H& O; s  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
+ _6 K* j8 s; B( v+ u/ Z    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
3 L6 `/ ^2 g" U$ A+ p/ x1 n' n1 V  b.grad.zero_()

print(w.item(),b.item()) #结果
4 R# y0 ?! s: L
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
5 S+ R8 N3 {5 c. |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？
9 D. b/ @6 g/ {

老福

* {; ^7 h& r0 ~( D0 `. F& C  _
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？
" j; w  p7 @7 v6 q7 l$ x# g# p5 c-------
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？
-------
. |' U* C1 I( _; [不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
9 j$ J$ q2 l4 l6 J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

. G1 `+ M+ F: P8 J7 E7 f) L

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。
7 T2 B. ]$ j8 t$ d& 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 ...

9 \! o7 O# ^  a3 u
9 g4 ^$ q0 y7 t/ N* @3 ?9 Z4 F+ D3 i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。
. [! I+ q7 Z! B* `$ T* l0 o: E5 f
. h+ J8 B! e2 L或者把b但的起点改为1试试。 ...

你是对的。
& S: }2 y" w* D! U4 p0 s& n% b去掉了随机部分
0 k: }& b) Z% }( n( r! m#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

, z1 o8 l$ O' a  }% S3 ?循环次数加成10倍，就看到 b 收敛了
. G2 h: K# p9 ]7 x( Q/ M4 gw , b
27.002620697021484 14.826167106628418

" }" O0 O) m! ~: s+ s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。