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。
8 Y2 X+ o" K4 m9 k7 u8 j% E3 B5 bPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
" i! b8 o: j: |+ @" Ximport torch
2 F0 ~7 z+ U# j" Rimport numpy as np
) a$ `; o* U. `; _+ K& U8 Z$ kimport matplotlib.pyplot as plt
import random
) o# l7 J5 z5 J4 i" f
: Q$ K/ l0 W% g3 @; Wx = torch.tensor(np.arange(1,100,1))
$ C: P: ]& _5 o. A1 T* A' w4 x5 wy = (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
b = torch.tensor(0.,requires_grad=True)
+ N6 j+ c1 O  K
epochs = 100
2 j& ~" \: a4 W8 {( G: d
losses = []
* u+ J: y) r$ L' tfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
! r0 @4 f! Z7 B9 z
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
+ y9 z% v% _/ U2 O  
$ n+ A# ~* v  W1 e  loss.backward() # autograd
( ]- j$ H* B  i7 z8 |8 j  with torch.no_grad():
) I- m" p. U% Y4 O    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
( A1 Z9 _3 Q; K  p3 O) R6 A  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
1 V. R6 j( c2 {: J# 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。
5 E3 A0 u7 R$ f+ i高手们帮看看是神马原因？

老福

2 S9 P0 ]  H, R' j2 D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。
2 D. L7 Z) z  L, O-------
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
% f, b6 X, j8 d7 S; r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， ...

: u- [( ^3 U) G8 d$ k" z6 c* @谢谢，算法应该没问题，就是最简单的线性回归。
  K+ S' a. U4 v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

6 r" P7 y6 J6 _. }8 ?! D! {+ `% x

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。
  X2 ]9 d$ c( k7 r3 e& r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 ...

* h! E2 {3 i) X( F* a4 a( U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。

2 U- H" ]& d5 b7 d" Z* d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。

/ \! d9 z5 A* x, b3 Z或者把b但的起点改为1试试。 ...

$ G4 M1 z5 b6 R3 F$ P
你是对的。
5 ]" d7 I. k6 }; [, T( C' z去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
3 @( r) l& C/ S* Qy = (x*27+15).reshape(-1)
$ q+ _) Q' F( J) c4 m6 m
$ j6 Y" Q) m5 y/ e. J循环次数加成10倍，就看到 b 收敛了
' q6 J3 [" y# b$ N' rw , b
27.002620697021484 14.826167106628418
3 _2 K- R8 |1 g- g/ T4 K
/ O7 {# \0 p% w6 y1 \& u! 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。