继续请教问题:关于 Pytorch 的 Autograd

雷达

6 E$ A1 e# o- w1 B( c
为预防老年痴呆，时不时学点新东东玩一玩。
: y( l6 n0 H$ y/ X) ]Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
3 T7 g" q. C& f3 P0 c0 Z9 h, Gimport matplotlib.pyplot as plt
  m) {8 l+ ~" ^, W7 {$ `/ G3 ?import random
3 L# G# ]/ f, [, S* m
5 h6 f! ]! w% _4 W% Z- Zx = torch.tensor(np.arange(1,100,1))
* N; B" n6 }1 O- r4 {6 v6 Zy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
# j' \/ x8 g: L1 q/ Y' I
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
. X2 v- ^; Y1 Ob = torch.tensor(0.,requires_grad=True)
2 l$ t$ N/ a) L2 J
! N1 w5 R" p" M6 u2 Q8 Z8 ^! ?epochs = 100

7 `1 j3 F1 }) N0 r" w, o" A/ e( slosses = []
for i in range(epochs):
- b! A  B  A: l: j  y_pred = (x*w+b)    # 预测
$ j) ]3 j( M8 y! W/ v5 ~  y_pred.reshape(-1)
+ C1 b1 H' H) a$ n7 T
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
6 o( i3 d5 |! V: n9 \7 P  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
* R: t/ Z% W2 Z. ?6 B  w.grad.zero_()  
+ k) U& w/ q  L/ y  b.grad.zero_()
! T+ [  K/ {7 Z8 `" R! r  Q8 b
& {) p; u( l# J$ O4 b7 hprint(w.item(),b.item()) #结果

- Q3 Q2 V! n- N, y' W4 }/ @Output： 27.26387596130371  0.4974517822265625
9 F( X4 ?; L( @----------------------------------------------
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 O3 A( u( H$ I) P, b( v8 W. _高手们帮看看是神马原因？
8 S/ n5 D. q3 i/ @2 F) Z0 q2 C' e

老福

" W( {$ K/ g, l  s& t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？
; \' s0 H5 p5 O/ M4 p-------
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。
-------
* r' H- g  d: D; F. W$ 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
( G5 @) [! p4 d+ ]: W4 \" K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？
' \  ^% x4 m  ~0 w! D-------
: m" W* S/ k/ }" B& ?2 c不好意思， ...

! o* V1 k2 O, d! \8 V- ~谢谢，算法应该没问题，就是最简单的线性回归。
1 i# r" E% q# r* b% |& Q0 Z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 ...

. P9 \: v7 A/ y) ?+ P1 |$ t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。 ...

/ X6 C6 o; v1 b7 G4 ]你是对的。
去掉了随机部分
& \# v8 F* A  p/ O. B' B) v#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
# m! P- Q5 q" D3 X- s9 e
5 D  C! S: b% i5 l! s! Y循环次数加成10倍，就看到 b 收敛了
w , 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。