继续请教问题:关于 Pytorch 的 Autograd

雷达

9 x" S1 i( y# C6 Q5 ]为预防老年痴呆，时不时学点新东东玩一玩。
0 t! }  {3 o4 rPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
/ u9 K/ ^0 L: U4 g3 Timport torch
2 [7 F+ ^$ m7 Fimport numpy as np
8 E. i8 M+ g; q$ f9 o1 |import matplotlib.pyplot as plt
import random

9 z4 \) P' Q" ^x = torch.tensor(np.arange(1,100,1))
0 }1 g& z) w3 e7 cy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

+ A7 R; S3 [( lw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
3 j7 k+ i7 u) ?8 @# I/ {
epochs = 100

losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

/ j4 O) Z7 g$ D4 b8 u+ W& C  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
2 m0 t. X* Q1 C& _2 X  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
6 h  g- i" B; g4 H% U, R) e5 k    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
9 I1 ^9 }6 @$ ?  j  b.grad.zero_()

7 S% [  c" p3 F0 Y' t2 m' a: ?print(w.item(),b.item()) #结果
% c% g( K: q/ D$ `; J/ ~
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
) g7 i! X  x& w$ ]. p* e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？
, y& F" g$ [4 ?8 c/ v

老福

" R, h/ ^! W/ Y9 Q
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。
$ C" N, d$ |: c. ~# K3 X2 c-------
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。
- p. u3 c/ \, P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

+ r6 s5 N+ V2 v% C) t

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 ...

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。
& x/ E: r. }$ `) h7 `! c5 }6 z
2 v3 @9 a' m5 p2 d. }  B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
  F' e1 n" Q. v2 L2 B$ E. o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。 ...

0 s3 R! A/ e1 I1 N, g你是对的。
去掉了随机部分
+ m1 {$ I0 _3 v, K; \/ P; |+ h#y = (x*27+15+random.randint(-2,3)).reshape(-1)
# b, P: i2 M2 y8 e+ P9 Py = (x*27+15).reshape(-1)

- M. S( L5 B2 c4 G4 S4 ~循环次数加成10倍，就看到 b 收敛了
  ^; Q( N9 X$ U; Kw , b
27.002620697021484 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。