继续请教问题:关于 Pytorch 的 Autograd

雷达

8 v4 a% a6 a2 E( u
/ ~) l& u8 a( Z2 r4 ?为预防老年痴呆，时不时学点新东东玩一玩。
2 }( L( v+ L4 [1 UPytorch 下面的代码做最简单的一元线性回归：
8 w  t8 I+ h$ G- j. E----------------------------------------------
, B$ S# w1 e$ p1 d! `" L2 Iimport torch
7 }+ l1 R* ^/ j, U% Pimport numpy as np
8 W: R4 [( U0 m- Rimport matplotlib.pyplot as plt
import random
! ]6 E7 L- |+ U0 a' k' H; s
) T5 g( j5 S& E# c1 w9 g0 j; N& yx = torch.tensor(np.arange(1,100,1))
0 n$ S/ s4 B) ~8 B+ N0 n) I& [$ sy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
9 u! j* L7 i5 ~5 h) p( ~
: Z6 V$ W# M1 Z7 [' T8 nw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
1 R5 F5 [. a3 h" \" f* sb = torch.tensor(0.,requires_grad=True)
( s& T- b& Q' @( s6 g* q' F
epochs = 100
0 R2 j9 x  n- a
losses = []
for i in range(epochs):
, P" s' ]3 U& d/ T  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
0 I* f- b! D; ^1 a5 s. \" N0 l
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
9 i5 p- Z8 S/ A  o# k6 Y  loss.backward() # autograd
  with torch.no_grad():
9 m0 V; C( p9 }+ ?. ]9 F    w  -= w.grad*0.0001   # 回归 w
2 V: ~' e) s3 z' N- O    b  -= b.grad*0.0001    # 回归 b
; q( G) z$ p% p* ^0 K3 z/ Y) t  w.grad.zero_()  
1 d) M0 Q7 y0 z9 N& m  b.grad.zero_()

; L4 _+ x, F# r( }- Oprint(w.item(),b.item()) #结果
* E# H" G  k! x' K! I! d9 }, z
# H) f2 o) E; n1 Z! V4 D- JOutput： 27.26387596130371  0.4974517822265625
2 e, D0 e5 s7 q. `* R' Z) w----------------------------------------------
  P; T/ a! I% ]# Z# d1 l+ T2 y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

% r! o6 n5 ?/ }% H. ^- E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 f: {1 R) g, C' t5 q-------
* P! L  H' v/ x. S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。
- T4 b. z8 P9 w-------
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， ...

% e6 o$ Z9 r4 Q6 n+ b谢谢，算法应该没问题，就是最简单的线性回归。
, j0 k: t7 E/ `( m; T1 z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

9 o0 d" P6 A. E' Q( M+ g: b+ }

雷达 发表于 2023-2-14 21:52
" u7 Q7 c7 X# ~2 |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 ...

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。
7 t* m; V/ A( R
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
7 x  ?1 t9 M% V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。
* L4 ^( b9 H+ {2 M* i  {$ G* q- ?
& _( y( \* o) a, i或者把b但的起点改为1试试。 ...

. |  X9 G' J1 C9 C% H9 W/ y: W你是对的。
去掉了随机部分
! H* H0 ?# J5 X- Q/ N4 b#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
4 k" L9 w/ B: c/ i. f0 f
- ^& n; y) i2 z; W. P  {: q" b循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
) w) m7 ?+ J3 k$ r) }8 J" u
9 Y6 `, W5 k8 L8 C- t- x: \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。