继续请教问题:关于 Pytorch 的 Autograd

雷达

8 c( }7 j4 N/ C. D2 O. F0 B4 c
为预防老年痴呆，时不时学点新东东玩一玩。
3 v& H6 C/ d) a6 W! P7 l4 QPytorch 下面的代码做最简单的一元线性回归：
" A6 m! h) B. f! O6 t% b4 w----------------------------------------------
import torch
7 u% b  U/ N7 e+ u: 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
2 F% d2 I$ ~6 l9 |- \. T
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
5 u5 y+ h' Z0 V" Qb = torch.tensor(0.,requires_grad=True)
: d6 f. P7 n% `* p9 d, a
  L- l& K5 a" S0 cepochs = 100

) r& L! j* D  b& y, u8 wlosses = []
2 k( x! J7 I  a9 X8 Sfor i in range(epochs):
3 k% Y7 m! f9 [; n  |  y_pred = (x*w+b)    # 预测
) q; x7 A3 U4 m& U  y_pred.reshape(-1)
" M/ X0 R& P) X5 Q1 E
- s# C% ~/ r  d( i2 l  loss = torch.square(y_pred - y).mean()   #计算 loss
6 P2 O# k- l6 }- d" ^  losses.append(loss)
& k* x8 H& S) U# l5 U  
  loss.backward() # autograd
% y6 j, B7 v9 l2 ]  with torch.no_grad():
, u6 I+ F. C+ x- q/ T    w  -= w.grad*0.0001   # 回归 w
- P2 W' |* ]) H& ]+ S    b  -= b.grad*0.0001    # 回归 b
8 V' x+ \5 Y% J. T/ M  w.grad.zero_()  
  b.grad.zero_()
2 y9 w6 ]  g, ]8 L7 M
! V  r4 G8 X% v4 Hprint(w.item(),b.item()) #结果

2 \) V  {  Q3 OOutput： 27.26387596130371  0.4974517822265625
, @$ h$ ~" l6 w6 @0 d----------------------------------------------
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

# D. f; b) j/ o( Q9 W. B+ x
$ _7 n0 \6 ]  g5 {0 u  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？
# f) h" h" x$ {# ^, n' ^; ~# d-------
0 }# M( |: _1 P& j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。
-------
( |( F4 W$ ?0 b0 Z8 Z. E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？
) \. y: L7 M/ ]# a" F- Q9 P-------
- L$ X- P: p& b" I1 A' y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

- e7 D" u' s0 K; T" ^* |

雷达 发表于 2023-2-14 21:52
1 @2 G' A8 z& ]% m6 K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 ...

1 t! H, C1 v9 F7 b9 r' {8 h$ n2 _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。

6 j  d4 v- a2 c6 b* ^6 q或者把b但的起点改为1试试。

雷达

, [" {: x( J. j9 s; M" R

老福 发表于 2023-2-14 22:00
* P, i6 h5 R3 ]1 Z' Q) K6 p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。 ...

  p3 s$ u9 o4 @
你是对的。
去掉了随机部分
- x9 n( S4 m% g7 T3 a* s#y = (x*27+15+random.randint(-2,3)).reshape(-1)
3 o4 r# \, @! my = (x*27+15).reshape(-1)
  H/ s7 {% H, i: d5 k8 W
" _+ \2 {+ {9 u+ c: ?循环次数加成10倍，就看到 b 收敛了
2 H* W2 Z, g' Nw , b
7 P/ @" _1 z3 H3 U' e27.002620697021484 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。