继续请教问题:关于 Pytorch 的 Autograd

雷达

为预防老年痴呆，时不时学点新东东玩一玩。
: X  x0 h) b' V- pPytorch 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
# h6 {4 g$ D6 @, V
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 d2 }" D- E- k% X3 l" ~& Fw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
- T) G/ F2 x% R3 m5 u& ?b = torch.tensor(0.,requires_grad=True)
0 z) z' n& k! h) q" L% d
4 w! k$ w8 {8 Z. Y3 Vepochs = 100
  o# E4 Z. a0 k) `: G% P8 n
losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
- x$ f( S) h7 a: O) c7 I
  loss = torch.square(y_pred - y).mean()   #计算 loss
: {+ }, O3 m3 V+ f( k  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
( D6 L+ r$ P1 q    w  -= w.grad*0.0001   # 回归 w
" ~6 @, o9 z& G0 X" x: Y    b  -= b.grad*0.0001    # 回归 b
. F6 K7 I: Q6 ]9 H2 K% [% H. H  w.grad.zero_()  
3 n  H$ l) X  {% a* r5 N' t& L  b.grad.zero_()
/ x3 W! Z) v( x" J* V: W6 a
print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
5 N% a6 [& b. y$ Y! 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。
高手们帮看看是神马原因？

老福

3 M2 x* p# i5 k0 D+ i
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？
-------
8 k! b# _. G3 o* ?5 G/ L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。
-------
  ?$ J9 {# f5 z) z8 {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？
-------
6 Q7 ^: c0 x2 O6 Q* z不好意思， ...

! p0 a8 x& x8 @  h# {. m9 ~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

雷达 发表于 2023-2-14 21:52
8 f; y, U8 {, @- o/ a. W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 ...

, s1 I" W6 L: c4 s# ^! E
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。
' Z% m1 q+ M+ k0 r* P5 x- g- G# P8 ~
. r2 z9 R6 ]* V+ v. S' C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
5 @: B  Q. G% N: p  y5 j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。 ...

5 V! n- O8 l# _  J2 T你是对的。
- b7 N7 }: r" B去掉了随机部分
6 T, Z! b' i* \/ Q$ z5 s#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

( W. Z5 _. C' g! X9 s' w循环次数加成10倍，就看到 b 收敛了
w , b
, k5 R6 M/ ~4 {$ Y+ ^1 \) ~9 u27.002620697021484 14.826167106628418
/ K5 q  g' W! f% l, e
: N; A2 R$ P3 N3 o# B- ?+ S+ C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。