继续请教问题:关于 Pytorch 的 Autograd

雷达

3 b7 d7 C5 L3 M& L  \, D
为预防老年痴呆，时不时学点新东东玩一玩。
% ^. ~" K( ?( M. ^( j) mPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
9 T" N: U& ]& }5 Qimport torch
. T+ J3 a* U) h8 d! p: Vimport numpy as np
: A, B3 U5 k+ [% w) k' L2 rimport matplotlib.pyplot as plt
import random
# F  W' E. \8 ~) C: w. s
1 h1 V/ F/ V& z# Mx = torch.tensor(np.arange(1,100,1))
! N5 O6 L: x5 f# V' V" e& ^+ |y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
! k6 F/ U: k2 X% s2 J( @: G6 w' Z; c
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
9 {% {0 h$ g  j0 Eb = torch.tensor(0.,requires_grad=True)

$ T( q: g# R7 ]epochs = 100
( ~7 p# B: T: M
% V9 F) r+ X7 ]( Elosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

2 `4 g1 X0 w/ w  loss = torch.square(y_pred - y).mean()   #计算 loss
. s& g/ @+ V4 e- s% s7 Q+ C" d  losses.append(loss)
  
  loss.backward() # autograd
  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_()
9 l  }' m% h# G8 E+ }
$ \9 ]  ^" s% k: @# T- A# ^print(w.item(),b.item()) #结果
& m9 B+ x3 o  \9 d( u7 J  V+ X7 G
) U1 m+ c6 L8 @  s; ?2 MOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
1 k+ R: `3 Y$ V7 G6 w* S4 l# u3 X: u$ E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。
' x7 N9 T( u9 F9 K- g5 Y. q高手们帮看看是神马原因？
8 Z  U! ~! |2 N! z" L

老福

* d/ y6 e3 b2 J- m+ l& ^
* a2 V, t& x- w7 ^: p% z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？
, z' d$ J1 G& O/ o4 T1 ~6 x' n& f-------
# b( X! l' Y1 {# ~8 G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。
-------
2 D- M7 ]' j0 u) A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？
-------
不好意思， ...

/ R, f7 l7 {9 g6 k& m& p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

2 d5 ~" R- k" |& O. N% e- p; Z: ^

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 ...

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 W9 h+ T, X  d
/ D% V4 ]% V* S  V) j1 ]或者把b但的起点改为1试试。

雷达

3 ]6 ]0 v6 g* Y, U% Z* ^7 L

老福 发表于 2023-2-14 22:00
; Q8 g3 j" g; u( t8 x/ h* e  }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! W7 I) k5 U, ^4 l
$ u8 R3 ?/ u) O0 a或者把b但的起点改为1试试。 ...

" K, f# [; @8 x你是对的。
去掉了随机部分
! C) M- ~6 K6 I; d#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
2 ^- T3 i$ F; s. D' P& |* j- [) T
循环次数加成10倍，就看到 b 收敛了
) u1 [3 g; ]) W, x/ F' @w , b
27.002620697021484 14.826167106628418

  @/ P( C3 U0 T4 _' I8 B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。