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。
7 g9 e3 O5 |8 p/ @, b$ vPytorch 下面的代码做最简单的一元线性回归：
' H+ n! F8 I9 I/ A1 m0 s----------------------------------------------
import torch
2 W/ D$ x* g7 q" }6 {import numpy as np
import matplotlib.pyplot as plt
import random
5 j5 w! ^7 A5 ]3 A" K
* O  {: N3 J' }3 K* x4 {x = torch.tensor(np.arange(1,100,1))
/ B' g9 b1 L" ty = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

. n4 t0 i$ a+ [# t8 q1 tw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
1 z8 C& W' `/ t( |  V$ [5 jb = torch.tensor(0.,requires_grad=True)

epochs = 100

3 H: k+ H( k5 slosses = []
for i in range(epochs):
* E7 `9 u7 o! T. k, o3 M  y_pred = (x*w+b)    # 预测
# V- h+ u0 s9 r  y_pred.reshape(-1)
, ~! f4 T" e& s+ z, ]
  H: Z' O) W( F  loss = torch.square(y_pred - y).mean()   #计算 loss
. g( {+ P/ h) u9 a  losses.append(loss)
% i' X$ l$ Y( X- V4 }6 `8 X  
  loss.backward() # autograd
7 p1 t2 b6 S  C3 L: B. Z& h. a  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_()
  Q: I" p% |2 J
print(w.item(),b.item()) #结果

: S6 D/ e6 l; n3 \Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
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？
8 S9 W; }: r8 Y1 e

老福

) n! d1 Y/ g2 \' r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？
0 B( R' n* \3 g) p* q-------
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。
-------
( G9 z, P3 O- E9 n4 S0 c: R4 @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？
  T8 ~- `8 B2 L) H3 a8 f-------
不好意思， ...

  k6 v$ y: t5 c! i' I+ n谢谢，算法应该没问题，就是最简单的线性回归。
8 L* e& \' G4 c+ _6 ?% 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
* p' F, e* m& u# x0 v. j+ L# L谢谢，算法应该没问题，就是最简单的线性回归。
8 O5 v6 k! w2 ^. Q0 k; w2 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 ...

7 ]2 @* ~4 ~/ z. R9 W: w
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

7 j2 ^, d; |- _& a/ S5 ~' l) g

老福 发表于 2023-2-14 22:00
4 S* Z+ Q! j$ Z8 y, A: u; D* ^( p" j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。

& ]# u7 X% R7 E& H" A/ S或者把b但的起点改为1试试。 ...

( S2 Y6 ^  [6 y7 _9 S你是对的。
2 @6 q2 R6 p( i% Q: o( ~去掉了随机部分
) c6 U/ b/ a8 j0 @; \#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
6 M. o2 W* |6 r2 U9 f
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。