继续请教问题:关于 Pytorch 的 Autograd

雷达

5 V1 c5 F: a( D; _2 H# [为预防老年痴呆，时不时学点新东东玩一玩。
1 ?2 ]1 Z" e6 h; u- c/ b- a: yPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
- `* N! X# T% w8 {& s/ ~7 uimport numpy as np
import matplotlib.pyplot as plt
import random

. F: o- K! ?1 |3 V2 b; F2 I; sx = torch.tensor(np.arange(1,100,1))
( E1 \, N# V- m1 H5 ~y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
7 J2 I0 H) W; C5 h
: {2 D4 J) i8 _" ]w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
" g4 _$ d3 g. O1 c1 u4 {. o+ xb = torch.tensor(0.,requires_grad=True)

epochs = 100
7 O1 _3 P! b/ r; y6 A
6 |- d$ g) Z! a, J  w1 Z; Klosses = []
1 K4 }' v9 Q. N' }$ m3 I5 B) @for i in range(epochs):
  y_pred = (x*w+b)    # 预测
* ?' n# M" V6 F+ k, \! D% z  y_pred.reshape(-1)
: q. i6 A' e8 S6 z7 G
/ l9 T( d2 b" E5 j) r7 e# f  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
5 J: a+ A6 {, s6 b  
& ~1 z+ ]: B2 U9 z. q6 y# j2 `. w  loss.backward() # autograd
  with torch.no_grad():
2 ^/ |7 Y8 V! ?) X7 _    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
4 U/ R( p( D9 c/ k$ m' x  w.grad.zero_()  
# O( j5 d+ K2 |- I  b.grad.zero_()
: s9 l1 i$ O2 K0 ~
, Z8 }8 w' T" h! Aprint(w.item(),b.item()) #结果

! w/ j1 D/ h& D3 \) n+ d% ?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。
; {+ O$ v6 d  N* j高手们帮看看是神马原因？
4 |3 `4 v. Q. B, T! {

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？
) K3 `# j/ X6 P# Y: 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。
. k/ c) _9 Z& m-------
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
5 w% G+ Z- p, L* V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？
-------
* g$ L8 D, T) u. D不好意思， ...

, x2 i+ G' D$ ?: j3 e4 R" R9 V谢谢，算法应该没问题，就是最简单的线性回归。
. x9 w) [+ O' w% l, Z  I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

: B* q) Z7 r' q& m; l

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 ...

, U  Q* I% M% W$ v/ Q1 d
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。
3 q* H+ M5 V# N
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
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。
$ r# b8 ?3 S: |" n- E- J
* ?+ w) t) b& A# o6 x3 }/ Z或者把b但的起点改为1试试。 ...

1 V% w6 B3 Q; |/ T+ H/ C你是对的。
2 n2 t7 |- I+ g8 f$ |' {  q去掉了随机部分
" l  b; L3 n2 V, Y1 o4 e; z#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (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
5 S% }5 g+ a( Y7 y- 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。