继续请教问题:关于 Pytorch 的 Autograd

雷达

1 x7 F: U* b  }+ k为预防老年痴呆，时不时学点新东东玩一玩。
& |& T* N, O: u" SPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
9 \7 V0 N: h/ L0 a, \; Mimport torch
+ k3 M4 a/ B8 C5 ?. yimport numpy as np
" p" X( x. }+ ~& ]# K: b4 z" Qimport matplotlib.pyplot as plt
* }+ y' b% P" cimport random

$ `3 k  ^3 k( ~* R" ~0 i/ Cx = torch.tensor(np.arange(1,100,1))
9 g2 b  J8 T& Y8 o) dy = (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)
# i" u: z+ S6 F
9 }* x, L0 U$ I# I# ^9 Y; a9 G& R0 Qepochs = 100

2 g5 z9 r  T8 I3 t1 Wlosses = []
" N' F% C0 x# c. w) r3 Hfor i in range(epochs):
2 G5 p% c/ E) O. q" J. h' a& ~  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
5 C+ O% T& \* R7 C# s
0 K  k. f! D2 ?  loss = torch.square(y_pred - y).mean()   #计算 loss
# q+ U- I* A8 D4 J3 s! Y  losses.append(loss)
. T3 i1 z, R* `  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
  ~: @  _. D4 w$ l" f& `& s! |    b  -= b.grad*0.0001    # 回归 b
! v4 |) a; |, r) B( e  w.grad.zero_()  
  b.grad.zero_()
- o; x+ r! ~3 p
9 A! e4 ~. W, v! ~! V  U* rprint(w.item(),b.item()) #结果
* e5 X6 I0 s% J
Output： 27.26387596130371  0.4974517822265625
' K$ D; h) ]5 _& Z7 u----------------------------------------------
6 ]) K7 }: u) b- O9 X7 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。
: d, H8 R' f2 e, s1 \. v高手们帮看看是神马原因？
( _  C, Z9 l# d+ ]( [7 [! D. y

老福

4 k0 Y5 A! B4 f/ D/ D2 R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？
! N$ u2 O, t* U" p" A# y-------
* r  _7 d/ k( Q5 p. z  I& o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。
  ~5 G5 l- m& k7 g0 @-------
! W. e9 ~4 R& f: j, w- G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？
-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
$ a1 O) _7 F  u& `8 z9 x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

$ L+ N8 f3 l. ]1 d

雷达 发表于 2023-2-14 21:52
# D, K8 ~/ j6 o* q9 T1 S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 ...

' D* U# u$ u  H# F) N, h4 S" a
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。
. K' |# x& p+ W; i
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
% q3 F( Y1 V+ q9 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。

: }- i, R3 U3 i( @0 V( \1 X8 i或者把b但的起点改为1试试。 ...

& B9 P1 W3 O0 K3 j' \4 [9 t9 p你是对的。
; c& G1 Y. v$ j. ~" k* G去掉了随机部分
#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
7 m3 w' w8 D1 k+ z2 a* F( L* r( C& lw , b
! d1 S+ s2 A& _! _6 C. ?27.002620697021484 14.826167106628418

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。