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。
/ y# K. n1 h9 c6 Q: h- fPytorch 下面的代码做最简单的一元线性回归：
9 k# T9 {) G" P3 h----------------------------------------------
  Y" ^( v% ~6 b# ?* Q# M8 himport torch
9 b, I0 A' [' b) w+ Jimport numpy as np
1 F4 p5 g; K3 j$ |- t" simport matplotlib.pyplot as plt
3 G! S0 I, I$ [  `+ Bimport random
  _: R( \- X9 M( m) `
$ @1 q7 D1 s0 kx = torch.tensor(np.arange(1,100,1))
" _3 q( C$ q# k7 {( Vy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
3 a$ ]) a3 j: X3 ?
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
# i3 J9 X1 I; {  v+ sb = torch.tensor(0.,requires_grad=True)
4 z! g+ K( K* A8 [  ]' S* k% M
5 t3 B& }! l3 k( Oepochs = 100
7 v/ l  y, q: E2 g# \) [" N
losses = []
for i in range(epochs):
# u+ N9 F: M$ |/ Q( b( B  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
/ l9 A4 H) x( h
  loss = torch.square(y_pred - y).mean()   #计算 loss
1 }% K  n% D, f! A# Q% {  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
3 L3 ^/ d& k/ P    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
6 D" E" c+ P& F. [  w.grad.zero_()  
# c1 B1 i% {( y4 z  b.grad.zero_()
, m6 g0 @6 i, J3 _/ o
& r' F& `9 |2 d& `5 vprint(w.item(),b.item()) #结果
: S# l9 C6 i3 S( K+ E. ?* i' t/ n
+ h$ S. }: C2 ^( F7 E1 k- i& ?4 _9 GOutput： 27.26387596130371  0.4974517822265625
9 z/ `0 j# q  C) \7 X----------------------------------------------
7 h7 w' b; _  Y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？
2 t4 _5 o; J+ I' F

老福

) ~' R) [* N0 [. c% u
* A$ l4 |6 N" y) P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？
* k; e+ b  V9 Z+ R! Y) H-------
% l* l* M( P8 o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。
-------
! V7 O" D: l2 ?) `6 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
8 S( j: c- [  n/ u3 B5 [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？
. E( i1 Y% K1 _; C( ]4 M$ X-------
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

! T( P0 U) M, h9 m8 Q, c) {3 s

雷达 发表于 2023-2-14 21:52
9 D! A0 o2 q  ]+ _9 h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 ...

8 U" W: U/ I% @2 G2 q: 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。
& e/ C1 s1 M" ?( n
4 i/ l/ C; d# S  B. D或者把b但的起点改为1试试。

雷达

5 w" f. X$ I) T0 l

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。 ...

: l) v8 Z4 a- S. m
你是对的。
' z/ D) L3 T8 T; [( g0 R+ {/ w. q去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
; f. k* n/ q. {- D
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
  q1 ?$ l# N- C  C( f7 j* T/ O
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。