继续请教问题:关于 Pytorch 的 Autograd

雷达

4 K) S% u) [: [
+ J- X/ c4 S& w, A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：
----------------------------------------------
7 m( L' e5 E% {7 h% F4 _- D6 @import torch
import numpy as np
4 q/ R: r4 F3 s% x# S8 R# n- Uimport matplotlib.pyplot as plt
5 ~  P$ y. ]6 s$ z" [" \4 [import random
* I2 S& L9 R/ y- ?$ b& L
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

' H3 R9 n# `( Mw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
# j& }: j9 J* k! U% ]& x8 Bb = torch.tensor(0.,requires_grad=True)
# z. e- j8 v' x
; U: {$ B8 R- f) G7 ]8 Xepochs = 100
3 ^' a/ F4 s+ e7 _& x' X/ d
) W$ P! r2 `6 J( E# Q- _* S8 Llosses = []
for i in range(epochs):
; k* _% `# z! z1 d5 k  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
, [. a8 O9 \% q+ \2 k( Y  
. c3 P. \& b, W0 I% _  loss.backward() # autograd
  with torch.no_grad():
4 ?" M, V* {$ e    w  -= w.grad*0.0001   # 回归 w
! T5 p* X8 Y' a' ?    b  -= b.grad*0.0001    # 回归 b
' z9 Q/ G7 p8 G; l. L  w.grad.zero_()  
  b.grad.zero_()
& F- j# X: X" I! D  \+ O
print(w.item(),b.item()) #结果

/ w' ?  E: {: j6 x/ V* U* EOutput： 27.26387596130371  0.4974517822265625
, }6 X3 W1 K* n0 o8 d; m3 M----------------------------------------------
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？
0 R4 b9 I# X6 }0 u. \

老福

; Y$ T% q* J! o0 X. L/ 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？
-------
& ~/ w1 B- d! p+ y4 T# J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。
-------
% q, c- D; E1 i/ s% ~; A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？
-------
* D9 `' j9 {. m5 a  r不好意思， ...

& @" M* n' A- |0 R, W0 i, Z, L谢谢，算法应该没问题，就是最简单的线性回归。
. L0 O) u4 g4 P" V$ u- q, X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

+ T0 h* G7 C" ~3 {/ d/ S8 {

雷达 发表于 2023-2-14 21:52
. S2 p5 X, E2 k' o谢谢，算法应该没问题，就是最简单的线性回归。
# J5 C1 v+ a% o0 y! d( L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 ...

3 ^5 H+ t0 K+ E: u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。

% R$ w4 H5 X, e7 q" ~3 G2 }1 Y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
' A& C" }0 N% A, r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。

* [( E+ m  g2 @1 Z0 q( ^; J或者把b但的起点改为1试试。 ...

你是对的。
* x, b2 ~! I/ q6 w去掉了随机部分
#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
$ M; d+ g5 K% v* W8 Y9 r( Ow , b
# b* W7 B* S& r- M. Q" X- y9 ~. _27.002620697021484 14.826167106628418

1 S& M- T: n- C( p9 c9 @1 i7 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。