继续请教问题:关于 Pytorch 的 Autograd

雷达

( e2 [2 o" n. l) {
为预防老年痴呆，时不时学点新东东玩一玩。
' ^: a% c9 Q+ h6 yPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
  Y- F* [1 B5 G- W$ Yimport numpy as np
! N# t# G  C7 E4 \9 `import matplotlib.pyplot as plt
import random
# z& E, ?5 m/ G  _- [
x = torch.tensor(np.arange(1,100,1))
" G# c& L7 p1 Fy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

* v: k+ ?- r/ Vw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
2 c. a7 h3 ~5 h1 k: H) `" y0 _b = torch.tensor(0.,requires_grad=True)

epochs = 100
" Z0 n" U% q) t2 {5 O3 g
' t2 L* g* V+ t0 H; m3 W7 m3 Zlosses = []
for i in range(epochs):
/ J4 M5 ]& g9 l2 q2 `  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

7 B8 E4 w: c7 Z4 d4 ]" I/ X  loss = torch.square(y_pred - y).mean()   #计算 loss
, G' E1 E! m% {. B  losses.append(loss)
* p) R) I. X+ J' J( K: @) F) x  
( s2 S4 z$ e( Z# i" s  loss.backward() # autograd
5 y" L9 g: a' b  v  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
$ E9 `: t7 _! M* d  w.grad.zero_()  
  b.grad.zero_()
' m9 q/ v: d# W4 W4 Y+ A, H; V
print(w.item(),b.item()) #结果
, t! E3 \# ?+ K0 d
2 T, k- u% M  t) `2 GOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
) W+ P* ~* t6 ?9 s( W. H5 P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。
9 P. T) V2 G$ d# s0 c+ V8 v- E5 E高手们帮看看是神马原因？

老福

# e# i; O( _, Q/ X5 v% Q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？
. x& ]1 ^' b& \% t$ h-------
. E* g8 A- N8 X9 V  h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。
-------
# O+ I' m; b0 ~) c: b2 D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
$ y- d% H$ X: A; w" ^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？
. f/ a6 m8 o3 r4 e/ m-------
  z8 N+ C) e# D; v) P! @/ E5 u不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
1 j( Y+ ~4 ~& [. g! u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。
/ ~6 Q+ p* X: G$ H5 }( D5 W+ M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 ...

2 q; z) n1 v3 A/ p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。
6 R" v  `( a( T2 @! \- Y6 c# H2 H
) w5 E5 I2 ~2 L/ _& q0 ?或者把b但的起点改为1试试。

雷达

+ D! A7 R; _' a7 t- h8 _

老福 发表于 2023-2-14 22:00
$ }$ H6 m- _% x+ [# A/ G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。
0 ]5 t5 {1 E1 [! P
3 Q- R4 X0 O( k或者把b但的起点改为1试试。 ...

: W6 R3 X7 ?& K
4 a" D! ~/ g& I+ l* r你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
/ t  g* W& ]0 {$ O
( C5 p& @2 q, X* s0 ?循环次数加成10倍，就看到 b 收敛了
2 \% E3 N; P, C' D# ~0 jw , b
27.002620697021484 14.826167106628418

- l% ^8 T# b5 \! F# i; a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。