继续请教问题:关于 Pytorch 的 Autograd

雷达

8 V" x2 B, ^2 |4 Z! }2 {
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：
( r0 @% D6 W: L9 K, F5 C! D$ j----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
import random
; x5 i6 D3 s" r8 h$ d5 B6 o- l1 O
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
' p1 `4 P4 W% v& k+ C
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
6 z- K( ^) q7 d9 k- s5 rb = torch.tensor(0.,requires_grad=True)
: P5 [' ^7 o. T7 ]
epochs = 100

2 C' E7 T  {2 j& G. p9 }losses = []
for i in range(epochs):
: M( R( }/ p6 e8 z" l  y_pred = (x*w+b)    # 预测
1 u' y1 L9 L9 h1 Z$ f8 J  y_pred.reshape(-1)
& c7 b" D) S$ h1 u1 Q
3 q: M9 G- m. F: W  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
1 k4 w  t+ r0 S$ Y$ x4 C  
4 I0 {2 L! G4 k4 x' ]  loss.backward() # autograd
  with torch.no_grad():
' }; t% U7 k) j& q+ d% ^' |; h    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
7 ?  \( c( g9 R# }: L9 f  b.grad.zero_()

print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
# ?( H6 O- i% {; y----------------------------------------------
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。
9 ]( |  ]. d4 w高手们帮看看是神马原因？

老福

& x# E7 J  K! ^# u1 @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？
-------
  ~7 E' Q  F0 \2 a9 g+ W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。
! z  s# e( A, e- |4 t- t) u6 n! u  S-------
4 L7 o$ i# ^6 W# Z7 e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
/ ^- \  t' e& V( |" J$ D" a3 U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 n6 D0 v& [* B9 |1 F$ Y$ @* {-------
不好意思， ...

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

0 Z( u  _  w6 [: Q. H

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。
- b% g$ l5 n5 q, O6 z: h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 ...

% @$ M( n% J" o3 j' q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。

雷达

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。

或者把b但的起点改为1试试。 ...

+ L: G$ K% T' w9 t" j4 F% t
你是对的。
去掉了随机部分
3 d9 ~) c2 O5 `) K#y = (x*27+15+random.randint(-2,3)).reshape(-1)
0 D0 Q5 m' u0 ^y = (x*27+15).reshape(-1)

' {+ D% x  }& \) s) d循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
4 X0 H, H; ?! _5 l, ~) p
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。