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。
Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
! l! l! C( a$ yimport numpy as np
import matplotlib.pyplot as plt
import random

- o0 Y+ ?; }& @+ @( m2 Fx = 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
& Y# x' H% T+ w# U4 ]
" m+ B: r7 q4 A# g1 _& T* H, Y) Iw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
8 @0 S2 N3 V' X' J! _# B  Hb = torch.tensor(0.,requires_grad=True)
5 f7 {% @8 l: ^" s
) l% q* Z5 O+ Sepochs = 100

losses = []
2 N( E1 O% k: K7 Bfor i in range(epochs):
4 S$ ]' D; Z4 O: P$ a  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
  l0 a% ~! ?, x8 [; f  N, _6 q
6 A# m9 c8 a4 P  loss = torch.square(y_pred - y).mean()   #计算 loss
$ w' x/ \7 ?) b& N2 N  losses.append(loss)
2 B: r; f. r; Q  ^1 [1 r- d  
  loss.backward() # autograd
  with torch.no_grad():
5 G& L, h  W# |$ v, e) W, f" q# r. ?    w  -= w.grad*0.0001   # 回归 w
" C3 e" ?# z4 M9 C' g7 L" i    b  -= b.grad*0.0001    # 回归 b
% Y' \) t/ P" \' |- \; `  w.grad.zero_()  
, x9 X' {5 E" u: }, ~  b.grad.zero_()
8 q  T' j) T7 X- D2 x
% ^' l$ l. u4 B7 G) S; o9 V$ Sprint(w.item(),b.item()) #结果

3 x$ V3 Z, v+ d" ~& h7 mOutput： 27.26387596130371  0.4974517822265625
/ Z  x& ~( m" f0 P$ K4 g0 H----------------------------------------------
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。
+ w1 K9 ?9 t0 y高手们帮看看是神马原因？

老福

8 n- J1 U! r0 T' H3 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？
& F8 S( i4 C3 N" K2 u-------
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。
7 j7 r3 e( r  f% y7 Y' n-------
/ r( u2 N5 w* {1 V5 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
' i$ M- P/ R! L6 u$ X4 D& f. 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？
-------
  I$ P. R" d: B; E7 W不好意思， ...

0 S3 K6 |6 E% ~" J+ D3 h; ^; z- x* I0 Q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。
- B# j9 Q+ G0 W6 |" y0 M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 ...

: _+ Z; N% T. N6 C  h
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。
. v" a/ u6 [4 W; j& N9 T
或者把b但的起点改为1试试。

雷达

4 N, ^- l3 N1 x7 J. v

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。
$ w9 [/ S2 H' |; g& m' U( d
或者把b但的起点改为1试试。 ...

; O- E! F, T5 k, m  W* x
你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
% Y+ C2 w. ?6 @4 G. X# X! ry = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
" Q: o7 ~7 o1 c6 \, Iw , b
27.002620697021484 14.826167106628418

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。