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
2 \8 B# Z/ l* dimport numpy as np
! M7 u; L" i$ x4 Kimport matplotlib.pyplot as plt
5 F, P4 I: a; `* }3 Z, D7 Y. iimport 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
! X7 @3 U* B% L% Z7 G  l. d
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
# z+ Y' O1 H' s4 {! Lb = torch.tensor(0.,requires_grad=True)

epochs = 100
0 N  E$ x! K# _& k
losses = []
& N, x! x4 ~* h% U& Afor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
# |' `8 R+ J  j' j' {% u0 z# S
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
& c+ U5 ^# R' \. l) g  
% b  E% h# C, `- c1 u9 b# R( o  loss.backward() # autograd
7 j7 ?3 G; T( Z3 @! M9 Y  with torch.no_grad():
. @' w+ G' N1 ?4 Y    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
3 k" J) d, n. j  b.grad.zero_()

print(w.item(),b.item()) #结果

% H) n9 f% K; X3 ^4 m% ZOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
2 l9 Q+ D) f6 I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。
! m' d/ T+ D4 ^高手们帮看看是神马原因？

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？
! v9 S) \( S* l- t. |-------
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。
) U+ Z' W# l' r3 C-------
8 l" V& C3 f" w- \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
, t, g: |; `: 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？
) t$ h# w) ~* z-------
; S/ x) h3 C! `- X8 v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 ...

; k, ^$ t# b2 T
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

$ m# g6 e) q, J7 v$ M. Z/ d5 E1 y

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。 ...

' ?' a' J- ?! K
你是对的。
5 v* o5 g* F6 g. P/ A" T去掉了随机部分
7 b! k, Z2 g$ }6 l* e; z* N2 e#y = (x*27+15+random.randint(-2,3)).reshape(-1)
+ ~7 V2 C: D; Z( d" |0 j* ]& u4 By = (x*27+15).reshape(-1)
7 i+ X4 ], B# \
: T/ I+ D+ r9 R' \* e' l6 G/ E, y循环次数加成10倍，就看到 b 收敛了
1 {: M2 i% ]# o5 Cw , b
9 J* u# ^; y7 L$ S$ s; T27.002620697021484 14.826167106628418

7 Q4 V+ T2 S% Z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。