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。
7 f2 L  {3 b' v3 ]Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
/ E& ]; Z' @; S1 gimport torch
import numpy as np
import matplotlib.pyplot as plt
import random
$ q. W4 c% X. J" J
; m. P. [) w$ V, S1 jx = torch.tensor(np.arange(1,100,1))
2 P! E, E# i9 m7 y& ?$ Ny = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
, t- |, a: C  e3 U$ b( p1 i
2 s3 `0 w  l: V' B$ ww = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
4 g6 f3 N1 C* ?b = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
9 ^' c6 @! d! a& ~5 y  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
7 U& g: A  ?# C/ J' b* i! e  losses.append(loss)
! K; e5 x4 V% }/ T3 I1 v  
  loss.backward() # autograd
8 w* \% m; t( Z- a3 |; [+ m6 y  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
+ d3 r6 |( T: W% @* a; H3 E  w.grad.zero_()  
  b.grad.zero_()

- ?( u5 a* m/ o' N+ bprint(w.item(),b.item()) #结果

6 c* ?/ e4 h. o8 s7 E  EOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
+ w5 W1 i, U' N2 c: [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。
/ e* [  M& K+ j4 j; V8 B+ `高手们帮看看是神马原因？

老福

: h1 Z' o, v2 @5 v3 o; w1 E
) ^) ?4 J* @: J7 |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？
-------
3 N5 A1 j2 Y5 ?" r, b- L8 [9 U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。
% o6 T% f1 |3 u& N' a) X4 g-------
8 `) M& 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
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， ...

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

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 ...

. I3 y$ _; Q' u+ H: f- F, E
7 c0 r% }- L9 u7 B- J8 A# E  _  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。

雷达

6 U/ ]6 I' l% i: J" V% x7 x

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。 ...

2 v( M! P* S8 V6 }  N5 K
你是对的。
* {, ~* n/ x8 e9 A; a去掉了随机部分
& J* o$ K: o7 U6 R4 H1 e# O0 O5 u#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
/ Q0 _: [$ L* i7 p, L3 W+ T5 T
循环次数加成10倍，就看到 b 收敛了
w , b
& U# R2 D5 M' a: |1 V' U; B$ D27.002620697021484 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。