继续请教问题:关于 Pytorch 的 Autograd

雷达

% A2 v& }9 H5 r' k3 E9 P( Z) y' b; W
为预防老年痴呆，时不时学点新东东玩一玩。
% p: E- C% h  p2 SPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
" C3 u. U$ H5 n* j! I- T0 D. H# j4 ximport torch
import numpy as np
0 G! q2 g* S$ H8 Q# V( ?; A" Zimport matplotlib.pyplot as plt
# p1 k9 W: ~! Wimport random
' i  D4 T: w2 }2 E( R+ j) I
x = torch.tensor(np.arange(1,100,1))
y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
6 v7 s+ q4 d4 `* _
: E+ D' ]& H/ Z! kw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

( k* |, Y4 P) X" D+ tepochs = 100
  o5 m. R! [# z# G: O- A
+ T2 A: h6 w3 ]$ Y0 _1 c3 R# Alosses = []
, t' k: U6 ~9 I1 nfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
; o3 R& p5 w0 Q1 X7 @0 c6 _
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
; q+ M# f  B  @  
  |' b  f5 F5 u5 G7 Y0 P  loss.backward() # autograd
* A5 L* @- O/ t2 u, |2 E- H# o6 W  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
. e: n8 p1 e- I  E! k% |6 r8 C    b  -= b.grad*0.0001    # 回归 b
. c6 D; o7 M% \5 P* R  w.grad.zero_()  
  b.grad.zero_()

) I7 P7 \4 u3 W/ J5 X( Oprint(w.item(),b.item()) #结果
3 j  g) i& L+ `4 q. Y$ z2 O" H, w
0 E2 p7 y: u- i$ I9 pOutput： 27.26387596130371  0.4974517822265625
* J# U( E% v$ d2 O----------------------------------------------
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。
高手们帮看看是神马原因？

老福

1 O+ S9 T3 O: [9 E
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？
& W& l9 n6 B0 e. a# a! n- d, `-------
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。
-------
2 |1 T: {9 W* c8 k# }3 \+ r- {) r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？
3 O0 \5 p2 g/ U8 ^) C$ L. P-------
" u! n! B) k3 a+ }- z! @& }不好意思， ...

# q7 x. t! ^, f; Q* _8 a& [5 O1 v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

" f1 R% H, p7 n1 X  B

雷达 发表于 2023-2-14 21:52
7 `$ Z2 H: B1 ~3 |9 R  V+ K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。

" E7 ~3 G2 {4 _& w2 Z" n或者把b但的起点改为1试试。

雷达

2 d1 i( Z% l* a

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。
8 e' [% F9 I, m: X
或者把b但的起点改为1试试。 ...

8 z+ q1 D) V. M& K: l& G3 B+ W5 m
你是对的。
" N, i0 r! U, E0 \# V5 m" W去掉了随机部分
& x3 B. }' F& [3 t' h$ F#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
w , b
8 q. b$ w) h. q! I% [9 c- i7 \27.002620697021484 14.826167106628418
! }! k: n. B: R: d
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。