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：
  |! E  _, {2 ]9 M! {! T----------------------------------------------
import torch
import numpy as np
) s+ D* ?6 J/ j% `" c1 ?3 himport matplotlib.pyplot as plt
$ [! t. Q/ \. c5 Yimport random

x = torch.tensor(np.arange(1,100,1))
- j6 z% K3 U( A3 Ey = (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)
+ D; [/ H9 y) T. U4 F/ I
epochs = 100

" N( }2 j) F9 W, O* X* R' P# G/ {4 x! Ulosses = []
1 ?. Y  Q- O' h5 L7 p1 lfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
7 ]* V) o! ^, o: d5 X2 g  y_pred.reshape(-1)
8 l* v9 l) ~* ^( |2 w
% w8 k& E6 }7 h4 v- e$ q) G  loss = torch.square(y_pred - y).mean()   #计算 loss
" s% K# b# M- g  losses.append(loss)
  
  loss.backward() # autograd
* N% O9 j$ F# B" s  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
9 w2 Q( d; S- _; w; X0 \    b  -= b.grad*0.0001    # 回归 b
% i9 ~+ m  k& M7 ]# p  w.grad.zero_()  
) H' k. a! K# d  b.grad.zero_()
2 h6 i- W' z% x6 K7 m2 f1 [
2 f0 @: Q' k9 {  A' Aprint(w.item(),b.item()) #结果
6 e' n; V- X3 R% l" F& O1 I
5 M  X# h9 m8 fOutput： 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？

老福

6 a5 L, i2 [' B( B# e) C
& l# y6 z9 v3 U; q9 e) W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？
& x- S7 t8 m/ {& ^# 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。
$ m# x, v% i; Z0 J: W! a; k' f-------
; j3 ?) g  C" E/ \3 G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
, p1 [* H3 B  o$ n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？
& B2 D% g! s4 B4 U8 r  B5 d  a' H' T-------
* B, ]4 b% S( `$ k8 V, ~8 I/ Q, f不好意思， ...

9 v# Q8 f/ [5 b谢谢，算法应该没问题，就是最简单的线性回归。
; W* a( |( e8 W1 Y7 S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

; H( h5 O; X( g4 P/ Z' T( i; E

雷达 发表于 2023-2-14 21:52
# p' N# ^: G! b! t2 m谢谢，算法应该没问题，就是最简单的线性回归。
: t1 t8 V, W2 m2 q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 ...

8 R$ R  Q3 t# L7 D, a% T2 N
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。
+ ?% s; x6 }' V+ ^( Y
或者把b但的起点改为1试试。

雷达

, L, `; s: ^/ s1 g% I- n# }! d

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。

或者把b但的起点改为1试试。 ...

7 ?) P& C+ {8 O7 u& P. Y
; ^9 a: {) `6 N4 ~, i你是对的。
, c( g- X. N+ A. {去掉了随机部分
4 N/ w* D8 U! y, p#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

9 J* ?+ D) X$ I+ \. m8 {8 `循环次数加成10倍，就看到 b 收敛了
& r, [+ z! R1 A, v7 Pw , 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。