继续请教问题:关于 Pytorch 的 Autograd

雷达

. A* }. f6 I! N5 ?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：
. A% g2 }' j& k5 W1 b0 f5 U( F----------------------------------------------
" S" B6 d& {' ^% r% Limport torch
0 C) |3 K$ p5 W- a% gimport numpy as np
import matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
9 m+ Y% w6 K$ b6 Ry = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
. B$ h* `+ `8 F' ]. p+ H2 A- f' F
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
3 y) z/ Y: i9 Q! O( {6 _# u
; x( y, @. w' @& D" pepochs = 100
: M9 `, U+ V/ `! i# u1 b
losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

' \! n" o8 c! H" n1 r# n' |  loss = torch.square(y_pred - y).mean()   #计算 loss
3 c: d' g+ M+ u: u/ R# \  losses.append(loss)
  
3 g# P) w( G* V3 _  loss.backward() # autograd
  with torch.no_grad():
$ x2 t. ^# T8 j  F5 Y( e) E    w  -= w.grad*0.0001   # 回归 w
/ I& {+ `1 ?+ J5 l    b  -= b.grad*0.0001    # 回归 b
6 b6 m6 E; [) r  w.grad.zero_()  
  b.grad.zero_()
' O& `$ n, N9 p! O' A& C- P
print(w.item(),b.item()) #结果

, I3 U, C; [! S4 H- M+ ^2 }Output： 27.26387596130371  0.4974517822265625
) A& t; |! O# |5 r  C6 a+ |----------------------------------------------
/ @) q! G. n- K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。
- \0 y& ]" o9 L$ H4 H: F高手们帮看看是神马原因？

老福

( X; M+ Q  @7 o# n  e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？
5 [: d& W9 n& O- g-------
4 Y( b/ q9 X7 k+ @0 z: ^2 r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。
& v! s& N3 g' i-------
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
1 w* Q9 r  x- I  y7 j! L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？
( b- s' C/ r. r, i" [-------
4 {. M' A$ ?" N: q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
* g9 m8 b$ o# w" k谢谢，算法应该没问题，就是最简单的线性回归。
# y$ `% o5 Z" s3 O: b% ~" Y! }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。

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。
0 M$ l: y/ l3 M# l" |0 e0 q
或者把b但的起点改为1试试。 ...

2 I1 x& Y) p" O+ [你是对的。
去掉了随机部分
* g" Z$ N# x! {#y = (x*27+15+random.randint(-2,3)).reshape(-1)
" N/ J, m" T: x4 g& Jy = (x*27+15).reshape(-1)
9 d7 ?: ]6 J1 q) o1 J
) A8 o! T; O" C6 \循环次数加成10倍，就看到 b 收敛了
- T) ~! @  u. C& Nw , b
6 p1 {! a! y8 ?& d% n27.002620697021484 14.826167106628418

9 ]% V$ k4 I8 K7 m4 i7 s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。