继续请教问题:关于 Pytorch 的 Autograd

雷达

* j7 t& U- M% q) B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：
# w; ^9 j4 H. m+ @: p3 W, D----------------------------------------------
import torch
& j1 v2 E5 Q. W7 jimport numpy as np
! |( h& R2 f* [4 K8 P2 x$ ~import matplotlib.pyplot as plt
import random

" z% Z! n' Z1 v# e( Ix = torch.tensor(np.arange(1,100,1))
0 m+ O, X: \5 y' M" Vy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
4 |; Z9 P+ [: z
$ O8 ?. A4 T3 M! d& L7 b3 ]w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

3 l: i) L- P" C, S5 qepochs = 100

losses = []
for i in range(epochs):
5 c: t- `' A. F. w* x& A) Y  y_pred = (x*w+b)    # 预测
1 s) g( C/ j6 g4 f' x& s  y_pred.reshape(-1)
9 M4 a4 ?, ]' M" I
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
) n1 c$ Y! W3 Z- a  
! w5 a* y' U  c: Y4 Q3 g) `& L  loss.backward() # autograd
: I: t1 x: O/ h& V4 N  with torch.no_grad():
' y1 F8 O. p( Q6 N8 t" x    w  -= w.grad*0.0001   # 回归 w
, s8 z' U3 J5 d8 D1 ?( o  G    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
. P  c* E' ~6 t  b.grad.zero_()

print(w.item(),b.item()) #结果
5 N3 M% `( s1 ~, I
Output： 27.26387596130371  0.4974517822265625
  z1 L/ q* k1 t+ [; b4 G----------------------------------------------
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

$ b9 K# ]5 ]& I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？
-------
6 ?9 `2 p8 s0 V7 q" r" E4 f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
% m& S) D; ^, i5 `% M/ D' M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？
, u' p* a2 g1 Z  }. S7 [; f-------
& T  B; ]: ?( u  I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

; f8 C2 d: e8 d$ w

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  g$ P* |! R& l2 j6 s
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

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。

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)
y = (x*27+15).reshape(-1)

/ h  O2 }& w4 [( m1 Z: R循环次数加成10倍，就看到 b 收敛了
w , b
1 |' ?/ }" J; y' i4 y0 P27.002620697021484 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。