继续请教问题:关于 Pytorch 的 Autograd

雷达

1 c  F$ f0 ^# i* B3 ^& A+ Y1 P  k
为预防老年痴呆，时不时学点新东东玩一玩。
6 [- ~; V! i' w5 t, N7 Q+ s% ePytorch 下面的代码做最简单的一元线性回归：
! I* y, M; z4 _9 B/ {8 C* f4 r----------------------------------------------
import torch
1 U3 M5 {. r/ n1 w7 e; y6 [; t9 Uimport numpy as np
8 v& G+ h& `* m( Z' dimport matplotlib.pyplot as plt
import random
$ v& K! e9 O1 e" Q( g/ Q! q$ |
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

, w! e% U/ O9 I, l3 l: V* h2 m4 e- W6 g/ lw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
! K+ X3 u7 X7 t5 F7 _  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
5 g0 a/ ]# ]: G$ p. \5 C  losses.append(loss)
) n: x9 n0 K4 r7 F' y! O; k  
/ _! V4 i8 b# a  loss.backward() # autograd
8 p3 h5 E% l/ q2 G+ t3 l, W; W$ D  with torch.no_grad():
( T. T* ~+ {- V3 ~" p& n    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
) @; w2 f3 N4 P: V" @  b.grad.zero_()
8 u8 S; E( a, w; i0 M; r
print(w.item(),b.item()) #结果

Output： 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。
3 g  o4 H6 S" d5 f. b9 _+ h高手们帮看看是神马原因？
' g) U- [9 C7 v8 |! w& Z

老福

, g! f2 I% o+ `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？
# ?. P: `* c; r3 W-------
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 z6 h0 J- H) H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
7 g2 B; p, v( V2 X4 G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？
-------
& r% f- T2 `8 S! A不好意思， ...

1 d1 X- ]2 J% g/ ^+ g; V! _4 \; g谢谢，算法应该没问题，就是最简单的线性回归。
! o. q# S0 ~* |& U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
" J0 \8 K$ h6 [& `+ p' x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 ...

5 X9 K- E! n4 O4 ?
. s* I8 _- K5 X' j6 G! u; 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。

8 e* p' k$ `% i9 C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
7 A; }! [5 {1 h. p5 ]4 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。

或者把b但的起点改为1试试。 ...

; q4 z7 h: `! I. @" q, }2 f6 N
. P2 X6 y! \5 m7 I% g. v1 x你是对的。
去掉了随机部分
5 E9 T* n+ G+ h1 o3 v#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
& i& G+ c1 I" g9 Aw , b
27.002620697021484 14.826167106628418
* m0 [. ]1 ^0 u) t# E$ ~
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。