继续请教问题:关于 Pytorch 的 Autograd

雷达

( l. ~% o6 \4 ?& V: B' d" ^
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：
/ V3 `: j9 I3 o: k  }0 H# }% G----------------------------------------------
import torch
2 t; |' `. Y( [, b, m9 O$ k0 ^  limport numpy as np
6 l/ d; i' a& T& [4 |; a/ {import matplotlib.pyplot as plt
) ?$ Y+ L1 A0 l. T2 a, V* ~import random
  c- m4 c" q" N; m5 x- d% |: z3 Y6 ]7 X
! P, B4 B  @& ]8 E1 r  px = 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
" }4 I2 i7 Z4 L3 d
( N  ~( O) `, F8 iw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
7 D, W5 x. k7 A/ _b = torch.tensor(0.,requires_grad=True)
3 @" j% `! c8 ?3 b, @
* l8 d3 C4 ]4 H3 ]* A8 g! Wepochs = 100

/ [2 k- y) a- M' a  [losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

2 R7 O( U% I, Z" {$ G5 b  loss = torch.square(y_pred - y).mean()   #计算 loss
$ m: s# A2 A2 H/ S- o  losses.append(loss)
  
  loss.backward() # autograd
+ z0 F( Z+ _' X& c0 z  with torch.no_grad():
9 r% R8 l# R. M, L! D    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
5 x% d( W* P7 `: _, v
- z1 ~; Y! N4 R5 @6 Jprint(w.item(),b.item()) #结果
" s. E/ o& O0 Y: n7 L( ?! O9 x& ~
- n9 Q+ d: A' lOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
' P# f1 O( g: R. s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。
( z! u5 K9 e, z- c$ ^& w, G高手们帮看看是神马原因？

老福

# p% ~$ T  F& K, Q( L* 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？
-------
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。
4 D9 G6 ?& z+ x9 o* E* n  k-------
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
% T9 G; {) c/ o- y7 }8 ?( ^* d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？
4 o! N% Z( {4 i-------
不好意思， ...

$ B6 H2 C) }: S谢谢，算法应该没问题，就是最简单的线性回归。
" K# S! H# c. d) l7 \0 n: q1 q, O& x4 ~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

雷达 发表于 2023-2-14 21:52
5 W! c* w( \* a谢谢，算法应该没问题，就是最简单的线性回归。
* e$ p* h1 p( E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。
/ d$ U( [  M1 Q% v1 {0 ~
或者把b但的起点改为1试试。

雷达

老福 发表于 2023-2-14 22:00
: W& {4 ^7 L$ \# X$ f- S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。 ...

' R5 Y9 t7 _, B1 ]& d
/ v% t8 J: o+ S- y' ~9 _+ Y6 z: f你是对的。
2 r8 c! A- n8 K4 I去掉了随机部分
2 y! H* R$ L, o1 l" N2 @; ?4 W3 f  W#y = (x*27+15+random.randint(-2,3)).reshape(-1)
( _! ]- a% _5 my = (x*27+15).reshape(-1)

" A9 t( a  }, D$ c循环次数加成10倍，就看到 b 收敛了
: B& {! P1 d3 a5 v8 [; K+ G- H! F8 }w , b
27.002620697021484 14.826167106628418
5 \! }0 h  |4 b, L
' m; M! ?- z3 z  V: d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。