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：
----------------------------------------------
import torch
import numpy as np
' F5 w8 \: J5 e+ c/ [  |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

- m6 A9 H. e# K- Lw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

$ k9 W& z* S/ _9 Z/ D- u  d# B* A8 Aepochs = 100

& A; c& m. m; _' b3 qlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
8 @4 k& ^$ u+ @8 w6 w7 F% Z  y_pred.reshape(-1)

2 r1 a4 t6 v) }+ q1 G  loss = torch.square(y_pred - y).mean()   #计算 loss
2 j3 n( U8 i- V2 P7 s8 f  e  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
- C5 h: `; ^) Z& d    b  -= b.grad*0.0001    # 回归 b
0 x' }7 Q  u. A) B( X, e  w.grad.zero_()  
  b.grad.zero_()
( H4 l8 e: K& M
print(w.item(),b.item()) #结果
4 k( {- A- ?; s" j6 ], ^4 o
  l7 m$ {7 p' }Output： 27.26387596130371  0.4974517822265625
/ V$ A- E  h6 t& n4 K* w----------------------------------------------
! C4 d! X; d' J% }2 \2 N( 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？

老福

) t& z. s) c6 H- M' j- v- U+ {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？
-------
/ f4 y' @2 A7 S. V% A* U# h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。
) A' i  q0 K- X  c2 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
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？
-------
1 B3 b/ U2 {3 n3 C* ?8 z7 K" C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
- I) Y: c% @' O4 ~+ [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 ...

' S1 J- _7 R7 c
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。

, g% s# b/ N) g; |) F3 u7 U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
6 x5 R9 A7 u) b% P( A' _* s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 A% |  C0 H8 T3 z3 o
6 j2 P% l7 M: [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)
/ p% ]7 @" |. j; R. C1 h% t: t6 Vy = (x*27+15).reshape(-1)
( r. \* [/ E1 ?
3 G( D8 X$ E' u7 W0 Q循环次数加成10倍，就看到 b 收敛了
w , b
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。