继续请教问题:关于 Pytorch 的 Autograd

雷达

7 p4 I5 ?2 r( D6 y0 R
为预防老年痴呆，时不时学点新东东玩一玩。
! v5 \5 k7 T- s. l) D: P' jPytorch 下面的代码做最简单的一元线性回归：
+ b! w' Q7 G, x4 i----------------------------------------------
0 ?- S! @8 }" k6 A: Nimport torch
- y8 Q4 @) [/ o8 f) D$ fimport numpy as np
import matplotlib.pyplot as plt
* l  p9 Z& V& _) V: i% B& i" mimport random

; C3 A! Z7 _1 x+ V6 o+ Tx = torch.tensor(np.arange(1,100,1))
  B' A: i! e+ F) q5 ^8 _y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
9 T' h0 S  ~4 E, g( E1 g5 `- t
' ?, V# E+ U( t' w) yepochs = 100

losses = []
% A1 \; I- ^7 \for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

& W5 I9 t# \- z  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
; d: E1 i/ Q3 g$ h# `  loss.backward() # autograd
. W7 t, ~& W+ h" o- b0 p" ^  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
) J. }$ K: a' n4 X% O  w.grad.zero_()  
  b.grad.zero_()
- i4 S; N* K' n. R! {7 y
2 K. D$ `0 ~6 v  I" f' F% rprint(w.item(),b.item()) #结果
+ Y) }+ h3 Q  i
, O% |" u4 N" AOutput： 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

# S- m/ J" {& r4 A0 w- Z& g) U5 ?' p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: ]6 f# p" ?5 x+ |: v-------
7 Z1 w; w9 O" W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。
, E$ f! ~  n, l0 f" e' Y* Z-------
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？
$ a3 u) A7 C. C, d3 I" t-------
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 ...

; z$ g7 x& e* f) P* T. f. D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。
2 v0 {! L, x& x" t
或者把b但的起点改为1试试。

雷达

! p$ l" P2 k- a# @

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。
& @% c, @4 A% x" ?
或者把b但的起点改为1试试。 ...

) W" g( l& J  Z9 E/ X你是对的。
  S7 j+ p% z' M去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

- V% g) b9 O$ b' c7 r循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
6 _' m$ x; o) m5 G0 v
# a9 Z4 {! g5 [% T0 F+ k! R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。