继续请教问题:关于 Pytorch 的 Autograd

雷达

! h" |8 O  v2 T/ I+ c6 `7 @
& z. ]) N: q- L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：
9 X# V5 R9 W! E+ Q5 K' \0 k  m----------------------------------------------
import torch
% s. u6 a3 }" J# u7 p, w; W3 Iimport numpy as np
* |/ E& L$ o9 F/ X1 \import matplotlib.pyplot as plt
- r6 I0 Q. T$ ?+ q( o3 K2 E& aimport random
! i: b7 k- i$ B; _+ O& o+ K
. N7 y2 s5 P& z" m- ex = torch.tensor(np.arange(1,100,1))
# J0 ]7 i* q) y4 {6 E1 Z& x4 Q4 }y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
# w# f% p* F) \, ]
. C% F* j% T9 mw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

9 e+ y& d# K# T! T# Yepochs = 100
- K4 k: y( s' g* s8 y' `6 E& g2 x5 @
losses = []
for i in range(epochs):
% Z# L* P, z' _8 ]; N8 D  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
( K7 A7 H! ?. @- f' ^9 t
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
" T+ ~, }( K) X  loss.backward() # autograd
& `1 [' p% I, X# J( y2 _, }7 ]8 U  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
8 J- s! ~$ i) d# m* @  n. ~  b.grad.zero_()
( |1 @4 Z8 S3 c% L' l3 Z
print(w.item(),b.item()) #结果
, v4 T5 k. c  o; h7 @7 `
, E4 n" Z! M0 p/ H. c. Q. r4 iOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
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。
# R3 L/ s0 O% Q9 I7 e# r/ W6 s. R高手们帮看看是神马原因？
4 P; r8 E8 \3 U& I* X

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？
1 o) F% b/ U: d0 R0 |& ?-------
' I' p; D+ y" H2 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。
-------
0 h9 p5 |: r( 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。
6 [6 \1 A: X- d0 R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

. v2 e5 v) C: ~, P+ J$ B

雷达 发表于 2023-2-14 21:52
1 D9 T: D. k5 d5 \: _8 m1 B0 r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 ...

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。
' c. i) k& H" k" |  O
8 t( e1 m. N2 }  S, ^3 X2 W6 ^& Z或者把b但的起点改为1试试。

雷达

- f6 X, r1 N. ^/ J- }& v6 S0 z  Z

老福 发表于 2023-2-14 22:00
* V, J7 W; N( O: g$ |( C4 x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。
) `9 t5 _' y3 R1 j
或者把b但的起点改为1试试。 ...

你是对的。
3 J" |7 |. `" F0 m. k2 M去掉了随机部分
& B& u3 R8 G4 B) j' e& i! u#y = (x*27+15+random.randint(-2,3)).reshape(-1)
: l8 D; D' V/ ?! U" H% \/ U9 {1 `5 u2 ]y = (x*27+15).reshape(-1)
: q2 I6 B5 F: q+ m8 n& Y" c; u9 x
3 n6 f  y. v2 \5 ]" v2 n循环次数加成10倍，就看到 b 收敛了
7 x1 z) D  P' e3 z) I# Ww , b
27.002620697021484 14.826167106628418
6 y) s! f. G0 w0 N
* I; z7 W# w, I8 U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。