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：
6 X- Q' F  |; g2 i) x( V----------------------------------------------
import torch
import numpy as np
3 [1 T7 Q' H6 p& ]) g2 O1 Yimport matplotlib.pyplot as plt
6 b, G3 h+ e$ p3 _+ b1 w* b" t: h% e- Nimport random

. S2 x5 [9 V5 i0 Xx = 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
  @# V8 s; _% V5 R+ d
$ v3 Y0 D& Z. l3 e3 Q) Zw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
5 V3 J* c4 G: R4 ?
1 Q1 l! d' p, bepochs = 100
* u- ]  _1 e: [2 {  @: d5 X
losses = []
+ A$ y3 ^5 D/ \for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

3 d" Y) w4 r7 o' i" i6 l  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
* n. S: X- \: P9 H3 h8 ]  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果

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。
" g* d3 z" O0 Q* A' K0 _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？
5 i) U2 a$ B! x! t% F-------
$ W# ^! i: b( W7 Y# u! K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。
1 D, I4 B/ O5 _7 o% H-------
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& b% @+ F% H! Z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？
-------
不好意思， ...

/ G3 L3 i0 X) g# _4 r/ O9 \( S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 ...

  D: q4 _7 O5 N( m6 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。

或者把b但的起点改为1试试。

雷达

1 A. |  J/ E( k, _- b

老福 发表于 2023-2-14 22:00
7 |* T; n& v6 q# I1 K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。 ...

7 c# T; A! V5 N3 \你是对的。
去掉了随机部分
/ R5 X4 R% I5 W#y = (x*27+15+random.randint(-2,3)).reshape(-1)
+ G, s! h' m2 d+ f6 {& _y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
0 y/ \9 E# y" L+ @# B0 d' C6 dw , 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。