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：
----------------------------------------------
# Q8 L. v7 ?- {- f7 \& S/ c( Ximport torch
$ z2 X, r& S! X% b, J- o5 K" K* Limport numpy as np
import matplotlib.pyplot as plt
import random

' i$ r) x2 ], b6 y" N9 U. H, f) ux = torch.tensor(np.arange(1,100,1))
0 c% e) x" P0 j" Ry = (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
  ?/ f  b/ y. ~) c; Ob = torch.tensor(0.,requires_grad=True)

epochs = 100
/ f+ n. @  A1 Z& E4 r
. o, ?: q  _3 A% hlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
) n7 v. P: w+ T4 }4 I0 u% k
  loss = torch.square(y_pred - y).mean()   #计算 loss
2 F" i) w+ k9 m% f6 L6 o  losses.append(loss)
+ x0 e5 _+ }; N" ?3 z. i2 Z  V  
1 ]# t5 _2 ~7 k9 c8 m2 M- N7 W" Y  loss.backward() # autograd
  with torch.no_grad():
7 K! G, F/ ]/ B* z( H    w  -= w.grad*0.0001   # 回归 w
6 X/ }8 S6 e4 V) j$ S7 i% |    b  -= b.grad*0.0001    # 回归 b
. Z  M1 W9 k  k  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
7 `3 d4 D/ q1 b. G----------------------------------------------
, o$ Q0 t* [. V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

5 A0 @/ n4 H. r, g5 Y4 a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，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。
-------
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？
-------
% t9 r2 f9 @, s$ y3 p不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
/ m+ ~; t7 @& w1 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

: z$ m3 X$ Q& D5 z, \: t& |

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 ...

" t) w$ }+ j7 s. 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。
% L6 _( M; X0 E9 _
5 N- {; z8 F5 d& T! P2 R5 R或者把b但的起点改为1试试。

雷达

/ u7 e3 G" [: o  \

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。
. U" d; G9 d7 }7 f2 P* ^
或者把b但的起点改为1试试。 ...

你是对的。
. [& \0 A. j& \3 U/ N去掉了随机部分
! v; |$ h* Q* ]/ l: L3 q6 N#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

  D% t& F) B2 W循环次数加成10倍，就看到 b 收敛了
% @( [$ x7 f0 Dw , b
) t1 A/ }) b) C$ t27.002620697021484 14.826167106628418
; r$ d4 ?0 B; V, v- f8 a& `
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。