继续请教问题:关于 Pytorch 的 Autograd

雷达

4 h* N, c0 {+ T+ w( f0 L  f5 }; L- Z& v1 L, S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 \3 ]4 p5 l) {----------------------------------------------
import torch
: h; h: I9 Q/ e+ g' g4 v9 p9 t( s5 mimport numpy as np
import matplotlib.pyplot as plt
4 g/ Y0 D0 g  I; F: Fimport random

2 v- |- A0 `4 }x = torch.tensor(np.arange(1,100,1))
" f) K3 W7 m% ^" T8 jy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

! V6 i. u; o! ]" t0 C! lw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
6 o7 Y) \+ \  Q( |. y( lb = torch.tensor(0.,requires_grad=True)
5 Z' u7 r& l7 B5 w' c
epochs = 100

losses = []
2 N/ q3 R" A1 n1 s5 |! R+ ~! zfor i in range(epochs):
, D# g  K8 r9 g. f  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
) o* a4 U5 g0 U2 W; j
  loss = torch.square(y_pred - y).mean()   #计算 loss
3 N% j& l8 o( n1 v, d. r' Y& ?. k  losses.append(loss)
& j) |9 l/ d6 N  e7 i  
+ k0 H$ h2 k# j5 t: m  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
! {3 D3 ~% Q0 d4 |1 O    b  -= b.grad*0.0001    # 回归 b
/ G. H% ]% s0 x; |  w.grad.zero_()  
2 x% H; s# K% v0 d& G7 G" ^' Z: i  b.grad.zero_()
. c8 u% l. _6 K# s  U  }' f8 `
print(w.item(),b.item()) #结果
+ d1 f1 O& ]: e& e8 I- J
2 g3 m# q& ~. rOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
& B& J; D7 i" Q7 g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。
/ X  H4 e4 E' G5 X" b6 {6 K9 O3 h' D高手们帮看看是神马原因？
9 Z0 G2 g* T% r( P2 g4 E# E

老福

2 O3 }& }0 V* h' y$ j
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？
-------
/ K" _( m2 J6 G' m) Q6 c4 g7 O7 m2 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。
-------
/ p% D$ x6 P- l- B7 q+ u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？
-------
: M* Q% k, S4 W$ ]+ R% d; J不好意思， ...

8 j2 i$ S8 a% I! U$ j( t, i% U: ]谢谢，算法应该没问题，就是最简单的线性回归。
9 F7 \- E2 w1 K3 `9 w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
- r$ y, J  m" Q谢谢，算法应该没问题，就是最简单的线性回归。
+ H3 Q  E9 N. i: y+ \, O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 ...

+ Y4 a& Y. E& Q* ^9 f1 L4 \
6 e" C3 z2 w' A. T1 @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

. A. V& w: B- z

老福 发表于 2023-2-14 22:00
" {" \& o4 K0 o3 D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。
+ `$ q5 u( r) ?
或者把b但的起点改为1试试。 ...

4 E! v9 _" q4 @# A* j$ Y
你是对的。
% S7 S! a6 v. f7 L7 O# L; ~( w去掉了随机部分
* j; G3 k$ Y8 A) R1 c  ]#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
* ~9 v2 r  f$ |7 p5 N
% B1 K( m. o: u7 U- w0 e( C循环次数加成10倍，就看到 b 收敛了
4 O; R" Z: _. D$ J! Cw , b
  x! [! h/ d$ h27.002620697021484 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。