继续请教问题:关于 Pytorch 的 Autograd

雷达

4 q; C* {/ k# I$ ]1 ]
为预防老年痴呆，时不时学点新东东玩一玩。
* l9 E$ H5 @" e! \9 O8 K# ZPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
' s6 G: X* u" j7 Zimport torch
- s+ \8 B/ H8 N1 J, D! }import numpy as np
import matplotlib.pyplot as plt
import random
+ X* a+ r$ }3 S& u/ [+ g6 |/ i% i
x = torch.tensor(np.arange(1,100,1))
+ d! X2 d  ~' Q- \6 Sy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
" H" ^% N4 f' ]; K, J( s$ u, N
, X8 @! l" ~' Ww = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
; n4 E& c  ^& f. i+ K$ O% Hb = torch.tensor(0.,requires_grad=True)
2 v# y( N! V0 d9 J: C
epochs = 100

. m- `# B7 j9 u  ?5 K6 R) ?losses = []
- @' W  ^1 G) W8 Mfor i in range(epochs):
* ^$ O8 c) {5 `) {8 y1 j  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

0 A/ {# A# h+ B' c( _  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
/ {3 ^0 b, C* f  
  loss.backward() # autograd
$ I/ ~' V7 o/ s$ b; |  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
( c' p5 Y5 ~  K: G: {4 o# R    b  -= b.grad*0.0001    # 回归 b
9 l1 H/ U6 d2 {, U  }+ s) `  w.grad.zero_()  
  b.grad.zero_()
/ w  a( |/ _' p! M& W# I5 @$ s" H- E
print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
! g1 n5 S1 L4 X4 V  Y! \, `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？
+ v2 e& }9 C  F$ b! @  u

老福

+ p- r0 T# D; V: X. C& A: s
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？
; u( |0 D) ^3 Q+ v" w# N/ L  l-------
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。
8 g% [; h3 I! p% V-------
8 }& `# z7 d0 y$ m& w+ Y8 R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
, l3 \/ z6 r5 B' _; {2 O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， ...

+ q: W. W* h+ r6 z; l: Q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

! I5 g8 g1 `$ O+ N+ m# O3 u

雷达 发表于 2023-2-14 21:52
) m$ }: n; E$ \4 I1 V" Y# x5 {! k谢谢，算法应该没问题，就是最简单的线性回归。
8 C  U! I* A$ L3 Y) Q8 r+ F2 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 ...

" o- c8 u2 g9 k9 q; w8 @- k
8 g; u! i, |6 ]$ X  s9 X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。
" g0 t7 T5 n) R
或者把b但的起点改为1试试。

雷达

, x3 S3 e8 w. S3 |6 f0 T$ L/ N

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。

- K+ z& e- Y  }# r1 X7 f9 s5 K或者把b但的起点改为1试试。 ...

; V) \' o) G* ?7 i* v/ ]你是对的。
& R. n. M3 R" W! i8 w6 W去掉了随机部分
5 a8 o% s: g% X4 K# ]3 }#y = (x*27+15+random.randint(-2,3)).reshape(-1)
- N/ n# P' {7 Wy = (x*27+15).reshape(-1)
6 S& P, v6 k, e
, F5 t- a% X5 d! \2 M循环次数加成10倍，就看到 b 收敛了
w , b
0 J) T4 E3 t; d" I- ~/ a27.002620697021484 14.826167106628418
9 s# W8 T1 `9 d2 x
. b* s' ~: g2 e( y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。