继续请教问题:关于 Pytorch 的 Autograd

雷达

1 P0 h6 X  t  ]/ `: W/ i
9 G! U; Z" ~9 ~* k9 N& }为预防老年痴呆，时不时学点新东东玩一玩。
4 B7 L; V# G$ [% L# C3 S6 e4 SPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
) M2 j6 V+ z) L2 A, G$ {# Ximport numpy as np
import matplotlib.pyplot as plt
import random
9 Y, h1 C7 I. Q9 ^4 E0 f
x = 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
8 \. F  n  `0 o9 ?& |* q$ O' v
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
) M) O* M* f  H! k7 G
0 L$ @' F' z  @. R" Xepochs = 100
( |0 G+ |% r# P6 h% e6 ]
- e: c6 b4 ^% C2 T" P0 h2 Flosses = []
for i in range(epochs):
0 D7 Q! m* _0 N! Q! c; y  y_pred = (x*w+b)    # 预测
) s% z" j7 X& y  u  y_pred.reshape(-1)
6 b1 D+ q/ j1 Y* ~0 t) S
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
; q9 Z" {: z5 e& }3 G  
% ^; O# O: n/ B( K" H' {, d  loss.backward() # autograd
- ]" g9 f; i. l; e  with torch.no_grad():
& ~' `$ V/ k1 n7 E: I    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
" _6 W2 }% L( N* a( f  w.grad.zero_()  
, y" X5 I- {* e+ B* Z; j7 O- |" B( y  b.grad.zero_()

: p: ]7 V- |3 K6 r% [0 Bprint(w.item(),b.item()) #结果

  w2 E7 i6 _3 F3 k* `3 z  @/ c) sOutput： 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？
4 `+ d8 u- q" N7 ^0 Y) M, a

老福

0 y( O8 [7 W) M1 Y/ `5 D& f5 G' y
+ V: g4 S+ o+ {& ]0 K# 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？
-------
, U0 B. W7 E1 _$ d4 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。
-------
, d) p9 @7 a; s; S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， ...

2 N/ Y8 N% }+ o' O* |8 |0 ]5 n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

! g5 a' x6 M. I  Z. F$ g

雷达 发表于 2023-2-14 21:52
; p" s; T+ U: p. Z& g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。

5 A% W8 b  C9 Q0 G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
, z8 t9 D# c3 d5 P; E9 `1 N0 G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。
) t# B( m0 |& I6 @" B
- C- |8 X, f9 i2 a- w2 d或者把b但的起点改为1试试。 ...

5 P0 S- \0 V; L) U4 q. F
# B" b" d- e2 h8 q5 ~) a你是对的。
  \% `5 Z7 `! v% q& I去掉了随机部分
- H  U; g9 @7 |: c#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
5 o" A. d0 X: a& J% X
$ h% M) w( B# {$ ~1 x循环次数加成10倍，就看到 b 收敛了
w , 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。