继续请教问题:关于 Pytorch 的 Autograd

雷达

6 L( D% A; n# m* H/ X. E7 w& {
9 b: O7 ]' c# f" S6 X& |0 ?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：
$ E& U- F) x8 |) P----------------------------------------------
4 P+ j4 M+ x! X4 dimport torch
import numpy as np
- ]2 v6 J) ^* }9 [' K9 W$ p4 oimport matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
; [( P( q0 \% _# o9 D- ~. b" Cy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

+ O' z; o$ j0 D/ t7 cw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
9 X4 C% r- h2 rb = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
for i in range(epochs):
8 r5 D3 K" p- V! M1 v  y_pred = (x*w+b)    # 预测
8 J; ]! p# e6 H0 Z% V) R  y_pred.reshape(-1)
- u  F$ W8 M2 P' I$ K
# }& K. S# }3 I5 T2 f  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
) B: q* O7 X7 U; l& J- t  
  loss.backward() # autograd
  with torch.no_grad():
8 f# x, h1 l+ W$ d$ X$ W. K/ z    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
0 O6 ^% r0 E  b' s# p% q' B' m  b.grad.zero_()
  m% L# E8 i) @( a. e
+ Z& f7 k& Q- |9 m6 U$ ~, w! O8 m( Nprint(w.item(),b.item()) #结果
% i& o# {, a" T' b: p: q
& |2 a) \9 o4 c8 fOutput： 27.26387596130371  0.4974517822265625
( {6 {6 H" d" A5 [. O, E9 d6 V* o----------------------------------------------
9 i* p  _. K  M9 A) P3 i( v) T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。
  w6 }- n  m$ {$ n! ~0 _高手们帮看看是神马原因？

老福

8 x9 {7 ?$ L# 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？
" v  M& b, b' G1 L: I-------
+ [1 K; o5 I  K4 Y) x6 {4 c) y0 x5 g7 e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。
; `. v) H6 Q) C& N: j) @-------
* L  _  v1 [9 g: Q% z7 `4 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
# E, y* f0 {8 }' p: c& P: 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？
-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
5 i$ q8 @. Q8 b: A' M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
7 n2 L5 Y, N: g4 R' M& N谢谢，算法应该没问题，就是最简单的线性回归。
  h. c4 o2 @; f  Y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 ...

3 {3 K0 ?7 }( o9 c7 M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

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。 ...

/ R' o$ ~2 W3 d你是对的。
9 O2 e% ?& T* y! u去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
* f9 h$ h7 j# d. Fy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
2 k* @, c% E3 cw , b
27.002620697021484 14.826167106628418
! m3 z1 X: @; V, p/ F& C7 k% l3 V. c
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。