继续请教问题:关于 Pytorch 的 Autograd

雷达

  Z* S$ e; `6 @1 K为预防老年痴呆，时不时学点新东东玩一玩。
' d  a- W$ t9 n5 ^4 [$ q1 T, ^Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
import random

% \8 O2 k! [7 C5 ax = torch.tensor(np.arange(1,100,1))
- l8 x( \1 |! f! X( D. V1 Q! I" Q( ^8 \y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

2 e& @" l( [/ x& ?  K  x& F8 _w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
2 D: Z6 K, F" m+ M+ ^for i in range(epochs):
0 t( l( z. [6 v- |  y_pred = (x*w+b)    # 预测
1 L6 G- f5 X* f. `- S  y_pred.reshape(-1)
" C% I, ]) b! b9 D. J( v- m: p
- `7 R, f5 k1 h  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
0 P7 e" |$ a+ W' X$ r  loss.backward() # autograd
  c- ?. C& z$ Q- V  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
" S3 D! @) K) i  w.grad.zero_()  
3 @/ M* ], f- A% ?5 j0 g, M1 U  b.grad.zero_()
4 K' x9 j9 ]" j- w( ?3 c# ~; }3 x& m
print(w.item(),b.item()) #结果
" d8 a% L  }5 ?3 u5 m9 B3 \
Output： 27.26387596130371  0.4974517822265625
2 Z" u9 r8 c' X. X+ f----------------------------------------------
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。
, ]' A6 o2 A2 P8 ^高手们帮看看是神马原因？
+ @) S) D  A5 X/ m2 M0 V

老福

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，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。
-------
& J! ~) v) G4 F  O( [: s) |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
; a6 J, w4 \% F' {6 x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？
-------
$ w4 n# D5 ?5 Y4 _不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
6 Y1 c! {2 l; P$ O' v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 ...

7 z( t5 Y' p# s; x2 \, u2 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。
7 `0 }* ^' ]! {  Z
5 n5 g6 b; C. H, q7 P7 _或者把b但的起点改为1试试。

雷达

. F. Q4 G& k* q

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。
2 e! _! F4 f+ |- s  ^/ s& c
或者把b但的起点改为1试试。 ...

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)
9 C* v, ]  i. j6 N2 Y! u! [
- ^( {! \8 `2 v' G循环次数加成10倍，就看到 b 收敛了
* S* W" D  h; |& t) R5 s/ K. uw , b
2 T% E, m& o4 w) ?9 n8 E6 s/ g" i9 s27.002620697021484 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。