继续请教问题:关于 Pytorch 的 Autograd

雷达

" f! B$ q$ a# X  Z0 K+ Q
. N9 I9 \# G. L9 y) A5 U! r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：
4 \& I0 I; Z9 ^2 H+ [3 r----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
import random

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
1 @/ U- \! J7 V1 N9 s. \/ L
3 {# j- ?% Q' M* W1 h3 z# L" gw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
" Z/ s& _5 I& _  _b = torch.tensor(0.,requires_grad=True)

  Q, J9 f  X: |- d; O, m$ z( xepochs = 100
! k- F& }9 [6 l, i  P2 D# q
losses = []
for i in range(epochs):
3 q% u1 y7 d- S: \* y. q6 O) a  y_pred = (x*w+b)    # 预测
# v' E5 {9 A3 D1 j5 S2 M7 [. l  y_pred.reshape(-1)
: w, y1 w- h( D  n, J5 }
- k, |+ w% l0 R  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
# S$ ]+ `& t7 U. d( L9 n5 h  loss.backward() # autograd
" i' A1 H1 _. _+ m- ]2 Q  with torch.no_grad():
4 Z. y% J4 B; @1 G: v    w  -= w.grad*0.0001   # 回归 w
. _4 N9 G% j( o) u    b  -= b.grad*0.0001    # 回归 b
- x! Z: P1 P# l- `" l& n  w.grad.zero_()  
  b.grad.zero_()
. y) Z" f3 a* I: s3 l3 q
print(w.item(),b.item()) #结果

- }4 \6 g. z4 [0 ?5 v- }" _9 AOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
+ X: O/ X$ K& b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。
3 n" G, b$ m4 R2 G- r高手们帮看看是神马原因？

老福

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？
-------
1 A% \, p. ^" A1 c9 m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
6 S; ?7 r0 C- ?4 ?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& J5 T6 o) j3 n2 q-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
4 \6 g' t$ D# v8 V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
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。

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
: f4 g1 `. |/ x- Y4 Z& y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。 ...

你是对的。
去掉了随机部分
  t( A# P4 o# O#y = (x*27+15+random.randint(-2,3)).reshape(-1)
  V5 Q3 a- t0 P) py = (x*27+15).reshape(-1)
! @  M$ X% k; J% _6 _9 \  M& [
循环次数加成10倍，就看到 b 收敛了
( D. |6 w& D( ?$ qw , 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。