继续请教问题:关于 Pytorch 的 Autograd

雷达

! k+ j! r( X" b' s" J为预防老年痴呆，时不时学点新东东玩一玩。
: d1 P; A" s: ?1 Q- n0 `6 x: APytorch 下面的代码做最简单的一元线性回归：
5 Z& @2 L' @- V" p5 T----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
% j- d5 v: f6 X+ u: ~6 c# \y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
# X, q- Z9 t/ H! K9 m; O
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
# \: r+ A8 V) h/ p0 Yb = torch.tensor(0.,requires_grad=True)

; M  n" {- o$ o+ v% H6 _, B$ Jepochs = 100

6 h' _. ?# A: q  w0 B! M  [+ ylosses = []
for i in range(epochs):
  v* _( }' p. p7 G& m, t8 h- s  y_pred = (x*w+b)    # 预测
  k4 a* V0 v& j1 R/ ^" ?  y_pred.reshape(-1)
4 w: g' _+ {$ o3 {& A1 S3 {6 r
* u) W* z1 K$ x. ~* }2 H  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
( T% F+ g5 F/ v8 |  
  loss.backward() # autograd
. L0 I; r2 D6 B" ^7 |6 o0 }  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
% F3 q* p+ }0 _) j5 i1 A$ V& ~
print(w.item(),b.item()) #结果
( {! l+ r* o1 Z/ J& p. z7 Y2 ~6 i
Output： 27.26387596130371  0.4974517822265625
5 N5 k/ E5 W; F9 W9 s3 Y0 S----------------------------------------------
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。
" N% d5 c  J3 `# D  {# A高手们帮看看是神马原因？

老福

$ {# Y( ^& R* S3 n+ H- l
! h' F/ A' J1 L" d" V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？
0 E: ?& {$ @4 k4 s1 l' S-------
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。
-------
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？
-------
$ R" `  n# K1 j2 h$ ~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

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 ...

; v) y5 Y3 d, }" x' T
6 w' B- u0 K, j* |9 ~( H5 ^4 }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。
1 f  k% x8 D9 k( }9 k
或者把b但的起点改为1试试。 ...

7 o0 O+ k/ S1 h- _# N$ k; Q8 V你是对的。
4 Q1 j: t7 v0 G去掉了随机部分
( h1 [2 i% ?1 ^9 a% j/ [/ M5 z#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
6 T! Z) E8 `5 z* Y
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
: g. `) j5 g; T' s" f$ S0 a: D. R) V
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。