继续请教问题:关于 Pytorch 的 Autograd

雷达

5 V; }) H6 _7 L4 p" |
为预防老年痴呆，时不时学点新东东玩一玩。
! g* w5 d" L" I) s" kPytorch 下面的代码做最简单的一元线性回归：
1 n" Y/ [: a- g$ z& p/ c" Z----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
import random
$ |6 p5 ?9 f1 w8 _: |' r4 S' U. W. q
8 j# C  i+ E& i) D1 fx = 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 = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
' j1 H) H+ _2 n, w: k3 z& rb = torch.tensor(0.,requires_grad=True)
! n8 |# ]. _" Z
! T! E# R) P) l" J9 i( Depochs = 100

1 L- Y! E" N5 [- m5 I+ Qlosses = []
2 J; N7 f  D( |% @" Qfor i in range(epochs):
" h0 A" G# O, H, ^  y_pred = (x*w+b)    # 预测
& s* B3 F2 ^3 _  y_pred.reshape(-1)

. X* P1 |  r' p1 j5 M  i  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
: L5 C; `  Z7 M* M/ Y( r- q/ W  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
: h4 T) Q" b  q5 V- U& w    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
9 r# L# D, b# M& h3 G& o: _
/ }: M9 }) Q( a' Iprint(w.item(),b.item()) #结果
4 _$ e5 K' ?" [& ?
, _2 v; K5 ~. _/ L! u0 rOutput： 27.26387596130371  0.4974517822265625
# |- Q; h8 u5 I2 X% _% |/ A. \----------------------------------------------
7 {1 g& p; F' N' \2 Z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。
4 \* a9 ?$ ?1 N) d. m高手们帮看看是神马原因？
" x* ^( P; |: L7 ^% t: C  `  V8 F

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？
-------
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。
-------
0 X5 w1 A" ^; V# F5 [, A4 J0 @) b& c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
! T; j$ b' M5 n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？
8 \: q" ?& V( b2 p-------
" l1 r. z' ]3 u$ K9 @4 x不好意思， ...

9 N' m( B/ J! _0 i! P3 Q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
+ S0 s! a% T3 K" j  ~" s2 ^# S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 ...

2 S* L6 e1 ^- f: 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。
0 g& e; A) X! ^9 O/ _& j
" X9 h8 _7 ^; U9 a9 t$ u9 p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
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。

% N9 \* [2 Z0 _$ Q或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
; F0 Q3 r$ Q+ W1 r/ t: q2 Q#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
+ W: K6 L* `; k9 u
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
8 a  J; L6 ~. j+ R. z& k
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。