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。
, X8 ^/ \/ S- B/ c1 DPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
$ N0 S: N! N! E* U3 Cimport numpy as np
3 E/ n  [  e. b2 E% bimport matplotlib.pyplot as plt
import random
$ |2 o6 d- m9 L$ I4 o% m  p# U
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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

' Y% e) t/ G4 n( n" R- s# r( h& lepochs = 100
: c( @9 O; @* q) L6 C
losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

8 g. d$ [) \% J4 z8 z  l& r  loss = torch.square(y_pred - y).mean()   #计算 loss
! o$ I  B5 ]/ R* M  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
7 X- R, f: w% p8 f6 Y    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
& _: a* c' ^9 b- Y1 I# [5 i6 e  w.grad.zero_()  
% \# b  F: m: a5 U  M1 v  b.grad.zero_()

# n+ A+ D% C5 g  f5 f6 e: S2 O$ mprint(w.item(),b.item()) #结果
0 k* s4 Q+ \: t0 f. L! E
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
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。
- C8 W* A' y* V$ W$ ?  N, m3 ?, w高手们帮看看是神马原因？
/ o5 I7 u: N" ]( k; S

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？
4 r1 ?/ Q2 L- _  G9 x-------
1 ?% B( ^0 d7 }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。
; b: o1 o  S9 Y5 F9 Y2 a-------
! i5 \! n2 _4 B1 D1 J( L/ w& O" 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
0 t5 r5 k' V- t) {* s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？
4 v8 _6 y2 ~9 U& b-------
不好意思， ...

' g  K  u/ N5 o+ w' a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。
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 ...

$ F+ q# e: n' D: O" t
+ s- T, k& X- w3 ?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。
# c, v$ G9 f5 T4 L0 Q9 ^
或者把b但的起点改为1试试。

雷达

% u3 x; y# ^2 c

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。 ...

你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
- |1 c. E' D9 g+ I: g# P+ ]
循环次数加成10倍，就看到 b 收敛了
w , b
1 l, v( g+ w1 Q! I% j6 k27.002620697021484 14.826167106628418
0 E( i5 V1 G; W& q
! i; Y( B9 c% Z# ~* Q5 H; l9 g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。