继续请教问题:关于 Pytorch 的 Autograd

雷达

, N) v: j- @( Y  u9 g( \: O! J5 ~7 S+ z
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：
5 n1 p& _" F/ _" D5 G5 }' t6 W. Q----------------------------------------------
) c0 J  ^* N; d" L$ v- Gimport torch
8 Z- ~8 A1 Z, Y- S$ W# I- iimport numpy as np
) I  B0 E/ ]8 f- e) L4 iimport matplotlib.pyplot as plt
import random
; T- Y% q5 y( X7 {4 ~6 J
+ X7 x6 }$ s; Rx = torch.tensor(np.arange(1,100,1))
6 e  t2 d1 r0 b0 C1 U! vy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
4 Y% c' x( S. I5 W4 s# Qb = torch.tensor(0.,requires_grad=True)
( T' Y. |/ b! Z. }
2 j! C$ \" M& h$ R1 bepochs = 100
3 l+ f  d; i; m* u( Y' O
  }% _% e0 `! ]5 jlosses = []
for i in range(epochs):
$ h4 |. \% g1 `6 p* y8 {2 Y  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

4 F* ?4 f9 ?  ~; ^9 t- I" U. s  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
8 X# N1 O  q9 i  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_()
- {. n! L6 h9 h( s, a: s
& v5 p  h- r* f: q2 ?$ C7 C* ~print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
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。
1 Z9 X" A( o7 N4 i; M" ]; X高手们帮看看是神马原因？
% ^/ m& G. Y2 `7 a) d

老福

- K1 I8 Z& U3 b6 x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？
-------
: T) S7 C: H4 ?9 ]4 f, M3 M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。
/ h- w8 n! J# a* s, j& M-------
( f  q6 z9 O: v- F& y+ }7 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
: ~5 l$ T  I9 x) J( X5 G% b8 H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？
2 D8 T7 M4 b) S$ l. F/ z-------
& K8 M+ ^5 g$ B$ e不好意思， ...

  f# z) b) y. }1 \7 F* Q  z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

6 f; h4 j8 P, Z/ b

雷达 发表于 2023-2-14 21:52
' n. ^" u4 N3 J& x谢谢，算法应该没问题，就是最简单的线性回归。
& F* U5 J  ?9 X# e0 p9 M9 p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 ...

) W4 Z; q8 v% i' K/ u: e5 {
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。
& O2 ]6 S7 F- X0 Z. E* L
7 ~9 s/ X5 {0 r* x& p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。

. |* Q9 j7 j4 I4 Y或者把b但的起点改为1试试。 ...

, f4 g. k& D, A4 o; G% y
你是对的。
- f7 j/ ^. S8 I去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
4 p& ~- ]1 y: Z) d0 A! {y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
/ ]5 m1 W8 c3 T" v, `( L0 G+ j& v27.002620697021484 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。