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。
Pytorch 下面的代码做最简单的一元线性回归：
' p" T5 j7 b9 O1 X7 E----------------------------------------------
' `! `7 k2 G) O* s* k8 ?7 dimport torch
, W: @1 g- T; ]! V! l: n8 Iimport numpy as np
/ x+ a, Q7 q1 S( himport matplotlib.pyplot as plt
# Z/ W( s$ B8 \. ^5 H) Cimport 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
/ O, r; q# @0 \8 A+ Q& l. V
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
* x% b( ~2 {6 W8 i- b2 nb = torch.tensor(0.,requires_grad=True)

epochs = 100
6 Q  U  w/ i4 [* G% h
1 R6 E* c* d3 u' }' V! Olosses = []
* Q) I3 t2 p; m# Cfor i in range(epochs):
$ V8 m" c) L! r: e6 e. V( p/ p  y_pred = (x*w+b)    # 预测
8 Y+ j% g; |+ {  y_pred.reshape(-1)
' k' K0 I, f( Y2 Z5 T
0 J2 ]& e5 Q* y0 _4 z' O  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
8 Z1 X4 f) N2 M# \4 t  t3 L  
  loss.backward() # autograd
  with torch.no_grad():
) j; c( @9 g& I  T: Y    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
; E  n, a1 K7 `" J  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
+ r1 u( r" v& ^
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
3 q& Z) V( S  h! R/ T6 Y9 h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。
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？
/ j2 Y  t. @9 t# t+ ~2 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。
-------
1 p3 l- q3 V$ ]3 E2 e$ P* M3 x0 s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？
. J: E  P, x$ f-------
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

: Q' z" Z# o9 Q2 A

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 ...

4 j& {- F+ ?3 [3 h) U
" X% l' W8 y" I, K  h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

  t1 ], p" P4 ^/ N% h

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。 ...

+ O4 ^9 \- _0 H5 W  M, V7 l2 F你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
" |; G" U( u2 a1 v/ ]0 U9 k& Y' S* ly = (x*27+15).reshape(-1)

& [7 y% w1 f1 [6 f循环次数加成10倍，就看到 b 收敛了
( ]5 S. u8 l/ [$ f( S9 R8 k" \  Zw , 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。