继续请教问题:关于 Pytorch 的 Autograd

雷达

: m- ]) ]7 G' W2 C
, h4 H& [1 Z6 M0 `, r! O% {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：
* k; _2 |6 K5 I$ t----------------------------------------------
import torch
7 e" g6 }; x& l: _import numpy as np
import matplotlib.pyplot as plt
8 I' n# z4 h6 O! j: Nimport 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
0 g0 a8 j: o; g. b9 h
  t3 k6 V4 w4 i* N+ s4 Lw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
6 m) Y( l' |$ ]0 [  o) z. {" Qb = torch.tensor(0.,requires_grad=True)

# H7 j+ K& M! p8 C' N4 J: N/ S/ \4 Jepochs = 100

losses = []
for i in range(epochs):
: j; C) m% _  `  y_pred = (x*w+b)    # 预测
9 W; D$ j; W* i  y_pred.reshape(-1)

+ v! w, d% X/ A0 m. n& o  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
! ?3 q4 p; g* L9 T7 p  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
  W" A+ ^2 k& g. r
0 G9 E# i% b, W5 J3 n1 X) zprint(w.item(),b.item()) #结果
) b, i6 ]/ [. o) @
Output： 27.26387596130371  0.4974517822265625
2 J) S8 _, @9 R( m2 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。
高手们帮看看是神马原因？
" ^7 Y2 x9 `9 J+ |9 f

老福

% m7 ?8 G/ ?& ^/ w: i+ X) W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。
-------
( t2 ?. _, V2 T" h% e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？
-------
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

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。
% R( G7 y9 ^% U  E* o' h8 i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 ...

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。

' p$ K1 r) i  _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
4 [2 z- P. O1 W* ~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。

, G" \/ j( Y- P% H0 V或者把b但的起点改为1试试。 ...

1 _6 m% b! h* g6 @: W1 J
3 V0 p4 i+ n' d( |你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
- }3 `! u9 k1 m6 j9 c4 Ny = (x*27+15).reshape(-1)
% D( m; ^: L" N# x5 r$ h7 L3 j/ m& s
循环次数加成10倍，就看到 b 收敛了
. m  E. z0 I, ]; Aw , b
9 b& x8 y' K# m! x27.002620697021484 14.826167106628418
) I7 O0 b  U' _  n8 j2 o! L
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。