继续请教问题:关于 Pytorch 的 Autograd

雷达

8 C: ~3 k' [- G4 z
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
import numpy as np
import matplotlib.pyplot as plt
' J9 O. e, f! |* x  _# p; Dimport random

x = torch.tensor(np.arange(1,100,1))
$ o9 ?2 x$ t( A, _+ e& Hy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
% I' C4 H  ?2 d
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

, |& W6 o" X1 o3 g& H5 eepochs = 100

* m2 J2 _6 f; {+ n/ b  t" klosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
" y6 ]8 G) k. S  f% B8 u5 l" K, ?  y_pred.reshape(-1)
- S/ @% ^/ ^7 @
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
6 T& l( k' J2 e    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
; ]& k8 ]( F# W7 r7 h. ~  B& ~  b.grad.zero_()
* p1 B7 m7 W) H4 K/ b
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。
高手们帮看看是神马原因？

老福

/ C5 G  t  D# I1 I, h/ s9 ?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，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
) O  T8 i6 p" c* @8 n& H. O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？
$ y" [6 N3 p( ]: c0 ^-------
$ ~. K6 Y" ]* y6 `7 l6 L2 G  t. u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 ...

( U1 x) _# o8 v; o$ K3 L: `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。
; E6 K6 [; o! b0 T1 s2 w% l5 e" L( G0 m
. j7 ^2 D& M: {+ m# n或者把b但的起点改为1试试。 ...

你是对的。
) V3 _# G/ E+ H3 F/ |去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

- }) ~9 E( `3 ^: Z8 y) G/ |4 P循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

" T% C3 Q& X& p+ W+ j1 q! J8 E9 N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。