继续请教问题:关于 Pytorch 的 Autograd

雷达

6 p# n% f9 ?+ }. i9 ]$ i" G
+ _8 o$ N7 k" Z2 L, G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：
4 A* f' s+ t2 k----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
7 Y( f  y6 v( Mimport 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

1 o3 u9 m$ Y1 ow = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100
7 w; {5 S; m6 T2 x
# U7 q9 M5 I0 R. _/ s, glosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
: r( e8 a+ v7 x' s0 I  losses.append(loss)
  
  loss.backward() # autograd
9 e- j$ h# j( v4 ^& R/ u  with torch.no_grad():
2 i& U$ c5 @! D) `# s& B    w  -= w.grad*0.0001   # 回归 w
' u3 j3 ?7 w9 w. q3 b    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

' A1 |- r8 V7 ?" Xprint(w.item(),b.item()) #结果
% G; n* K( i6 p2 s
* e. [! Z3 }3 }# ~( {1 sOutput： 27.26387596130371  0.4974517822265625
( s2 K+ }, W5 M4 @! q9 F----------------------------------------------
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？
* b/ u8 O  X' _+ a  B

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 C3 Z' }- B, k6 c) \5 p" T0 p2 I8 n/ E-------
7 R8 K1 o/ T7 Y# s( d& p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。
: N: `9 U" R0 f8 w& w-------
; o  \8 D% ~* e- l7 O3 J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
! X& ~7 U& G+ S- C7 `# a- }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？
-------
% d, q8 A; [0 B2 {4 ~0 S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。
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。

或者把b但的起点改为1试试。

雷达

, r9 T; V2 X+ r( ]- x

老福 发表于 2023-2-14 22:00
, ?- Y0 I, b8 j  Y0 ?0 @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)
. [9 s2 t4 U7 t" c$ |2 fy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

. p2 H7 ~1 A: c8 K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。