继续请教问题:关于 Pytorch 的 Autograd

雷达

& z6 r% B" c+ w+ y
: P4 {9 A7 Q  s8 @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：
/ P  Y' J" i: q/ w5 X$ z3 U----------------------------------------------
import torch
import numpy as np
4 F1 j) y1 z7 V6 K& Cimport matplotlib.pyplot as plt
( s4 P) [7 Q( c& i  zimport random

x = torch.tensor(np.arange(1,100,1))
0 ]  l2 F7 |1 W( |. d& Vy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
6 O8 L; h* ]; G( l# b3 S9 V
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
* H: l9 _/ ~3 v8 W4 db = torch.tensor(0.,requires_grad=True)

6 v# n! H, n. Q# t4 |epochs = 100
0 J* V. Y4 H& C6 g9 w
losses = []
for i in range(epochs):
2 q; v+ [/ ^4 V5 D: Z1 D/ R  W  J  y_pred = (x*w+b)    # 预测
  h$ l( V7 E7 o3 U" R0 \  y_pred.reshape(-1)

  X4 K9 Z4 U, |1 @  loss = torch.square(y_pred - y).mean()   #计算 loss
$ e" d4 u5 @4 g* O  losses.append(loss)
# G' i) G4 }: M5 T2 q9 X  
* }) w: A! y+ ?2 d  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
: h: v9 a6 ?4 R% A( {. V  b.grad.zero_()

9 y, ]  F3 c# q- e+ L( W, y+ j9 Q5 Xprint(w.item(),b.item()) #结果

$ p* V. ]  Z6 G4 gOutput： 27.26387596130371  0.4974517822265625
4 a+ e1 T5 C  V. e----------------------------------------------
! D' N0 f, A! F% {+ e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？
" ~% L5 \  d" x4 m# A( W

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？
9 M* J+ D( }7 s3 E1 ?- N-------
7 f) O: u- J0 c9 g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; V' ], N8 C1 ~9 F& F-------
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
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？
-------
8 ?$ Q" |9 A5 J5 v0 y* D不好意思， ...

/ M1 n' A6 ]; l) n3 f/ ~; x, ]% A2 d) M谢谢，算法应该没问题，就是最简单的线性回归。
$ w/ J) V: f3 W% T1 v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

' f4 ?! i1 V$ H+ O7 \0 A& D, }+ p

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。
8 L1 C# E4 _5 Y& s9 `; Z6 X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。

! V2 K! z( B+ j8 b/ V2 d或者把b但的起点改为1试试。

雷达

9 o4 I( o$ d# I' f4 N2 o

老福 发表于 2023-2-14 22:00
; h# h: k" @: s% x4 I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。
, ~; ]0 n1 _  M' h4 ]: B
1 I- b) q) l6 d2 |& |或者把b但的起点改为1试试。 ...

8 }0 ~" f/ u6 P/ |, n8 q, Q你是对的。
+ Z0 R2 d1 y2 t9 ]% B& Z% h去掉了随机部分
' S6 Q3 f; z- Y, k( w$ O2 a#y = (x*27+15+random.randint(-2,3)).reshape(-1)
/ w3 M+ ~' K4 d. t" Ly = (x*27+15).reshape(-1)

2 B/ S' P5 P& P" M8 M/ t循环次数加成10倍，就看到 b 收敛了
w , 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。