继续请教问题:关于 Pytorch 的 Autograd

雷达

4 l0 r% A7 _# [1 i. q
为预防老年痴呆，时不时学点新东东玩一玩。
, ~' f# R9 W! Y) B9 {2 ]  zPytorch 下面的代码做最简单的一元线性回归：
- I* i$ T3 A9 ?----------------------------------------------
, W* _- x' w# s# Rimport torch
import numpy as np
6 E3 n# q, J: T8 H2 e: n6 L3 nimport matplotlib.pyplot as plt
& F. x( d( `+ Simport random

x = torch.tensor(np.arange(1,100,1))
3 P9 o- u* _  e9 `  }" D: x- ?( ~y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
* D, z( u' T9 h' M
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
" u+ B) u% n# j  y: v& H  J' {
' S7 g7 i4 J. x9 s: K* V) ^# Pepochs = 100
4 o8 r. x0 a2 E2 c; w) y
# ?4 k- U! u! alosses = []
2 x. X1 l# a( {: n4 N$ ifor i in range(epochs):
9 A; ]( u; T5 u$ h  [  y_pred = (x*w+b)    # 预测
# I0 q" d# m& k1 d4 `1 S0 p7 f9 I  y_pred.reshape(-1)
# k6 |& ?; @. a8 O0 E% Y$ ^
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
9 n: C# g( ?% t) c- j  l/ O  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
; W+ ?4 G1 e0 x) b. R% K' B" M    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
1 E4 ?+ y' r) M/ Y6 G: r3 t  b.grad.zero_()

print(w.item(),b.item()) #结果
/ ^% B& Q) c  ]+ J
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
9 H7 L/ ~; U" N" v6 I2 P0 d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。
% w* }, g" i. i& H高手们帮看看是神马原因？
* R$ _: U4 O1 t

老福

" i3 b$ n: G# x0 |$ J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？
-------
, m* c2 o/ r4 G6 U" e( [1 ^; q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。
6 y7 R( |5 j: h( y9 ^-------
$ B" W) M+ Q( S! x2 }, n7 \: y$ R' R% J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？
-------
' O) o- Y- ~0 j, U* z不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
1 d* S- z$ D2 N4 ?7 p" a8 @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

7 N- g  A3 |6 N3 C/ N

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 ...

1 \  b% q5 \9 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。
/ {" T+ {" z2 i1 A
或者把b但的起点改为1试试。

雷达

# K, R8 N! b. b( P9 S/ ?

老福 发表于 2023-2-14 22:00
/ A2 G7 n4 |6 \5 L, v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。 ...

你是对的。
( Y" G& I$ N3 {# a3 W- Z' _8 }( [  B去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
/ ~0 u4 G/ Y" F4 D
5 s. r4 |* ]/ k% B4 v) `循环次数加成10倍，就看到 b 收敛了
w , b
: h/ {0 N! Y) N, D! v7 _" h$ P! G27.002620697021484 14.826167106628418
5 c4 T$ S! ~3 k7 Q: b: ^
$ O/ C6 S8 Z0 j  i4 L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。