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。
% v9 |- g  @. _$ `5 jPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
$ A( w* M8 F- K7 a- R% l  C; u- zimport numpy as np
import matplotlib.pyplot as plt
8 l% r- ?, ]7 N: p5 K- Bimport random
) n% B4 O. a/ d4 k1 p0 h3 V# [  Y
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
. K7 J# p* f0 j- Y7 P) g) A
3 E( V- ~) Q# y8 Z% Xw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
8 y5 u' y$ `% t' u: Z9 |) L7 S
epochs = 100
: E1 \9 w) @2 c1 }1 a5 ~1 f4 e
losses = []
' e* V, S4 ?5 W+ c! X  Vfor i in range(epochs):
% ~1 Y2 N  B, @" g/ c0 c  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
8 A! m0 f1 U# W+ q* A  losses.append(loss)
1 h0 m$ z; C8 O: I# g: u3 m. K, h  
  loss.backward() # autograd
" x2 \6 b+ x+ o  B, i) }+ R0 z  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_()
  x: o. y# |) o  M% O. B# [8 B7 q
print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
! e4 }9 g' B6 I- c0 u5 f8 y' P7 ]----------------------------------------------
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

5 w2 ?8 s' U. n0 W1 f% 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？
4 J5 [3 A, F3 y-------
' Z4 q6 D3 r& D( r) _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。
-------
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
6 ~9 ]/ H5 r3 [1 d: j+ i8 B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
6 s; }  N  D+ k, B& o5 m0 l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 ...

! T( D& R3 X' d, [- y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。
/ j3 F. x* _$ l
或者把b但的起点改为1试试。

雷达

7 e# _; n6 k- t- [

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。
6 z& n6 e" n4 p& u7 k! g% \4 a
或者把b但的起点改为1试试。 ...

* {$ L. r" G$ V* Q7 ~( ^  F) e
你是对的。
  I8 [7 F0 e, }+ Q& \去掉了随机部分
$ p1 Q& N7 L0 J' j# r0 |; m9 s#y = (x*27+15+random.randint(-2,3)).reshape(-1)
" Q+ I% p- |! T: ay = (x*27+15).reshape(-1)

; ^1 w$ O9 t& L* A! I2 o循环次数加成10倍，就看到 b 收敛了
w , b
9 O4 ~% @% H( O27.002620697021484 14.826167106628418
; \, r4 t: L; _5 W0 Z+ y  B9 M
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。