继续请教问题:关于 Pytorch 的 Autograd

雷达

" j) u  u7 _# p# _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 ~9 M. l8 }- k----------------------------------------------
4 C" g8 J; G8 o# v& Cimport torch
import numpy as np
import matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
. K6 g+ c+ _2 ?; m! j9 T3 Ey = (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)
7 {: A3 A' j. Q$ t
epochs = 100
3 k! s+ a+ ]( q- g' K
6 q. `. u5 v, q# alosses = []
for i in range(epochs):
  O( n: y$ I/ z0 w/ i$ x; O  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

7 I4 _, P  i# d& k3 o" D; x4 B  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
% w3 S& P+ H& T6 I1 w* y  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
" z; b6 ~8 _: s- L- o    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
$ R+ s4 L/ l& }, [  b.grad.zero_()
% Q/ Q% r& \" B8 m
print(w.item(),b.item()) #结果

! ]- R  z, j& G, I% @Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
! A1 r" e) _  V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。
. q% r+ ~1 T4 u/ ~高手们帮看看是神马原因？

老福

6 ?& t: S  u2 f* t. K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$ l4 H4 x: V; H. M-------
1 ?( o1 h6 _& z  f( S. e, b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
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？
-------
2 F7 N/ Z/ ?$ u# A3 A不好意思， ...

' H6 x. w% A- x# {# C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
7 I3 s- |0 `5 v7 |! w/ [" L5 G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 ...

2 ?0 q; o2 n1 c* T% `
+ _" z! Z- I* N4 b" o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。
4 J) Q7 [" p- {  j! V
& q- h/ g+ [/ Y7 S- K5 s或者把b但的起点改为1试试。

雷达

8 K5 u* f9 t. B

老福 发表于 2023-2-14 22:00
( O2 ^4 f, h2 C+ 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。 ...

你是对的。
6 K- l# v) {0 K& z去掉了随机部分
& P  V1 L4 T: T' l5 l#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
$ c0 K- e: h4 @  Zw , b
% A* k6 `" i3 b( ~27.002620697021484 14.826167106628418

7 v2 j3 u- _" Y: x; b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。