继续请教问题:关于 Pytorch 的 Autograd

雷达

; _$ T# [$ e  x6 Y" C
7 O" `. ^% [( q. M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：
" w1 C5 p) P9 O----------------------------------------------
9 I8 U/ c5 p. ~import torch
import numpy as np
0 \7 E! k5 o5 y6 X- [1 Uimport matplotlib.pyplot as plt
: [5 n' q0 D" d3 h' M8 f% cimport random
, f+ H* _9 p3 }! W) W4 E
x = torch.tensor(np.arange(1,100,1))
y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
4 \2 ~# f/ L5 p' A9 r" Y
# d) @9 R% D# L2 hw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100
4 b. I; E1 X0 q: l& y4 y, }- ]# @
2 y4 ~1 a% F2 Flosses = []
  J: P! I& j' G' L% i8 S8 tfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
* {8 t* ?5 D% \  |. J+ W3 |7 y" X  p  y_pred.reshape(-1)
% Z6 \/ B0 F" f) U# Z
% E3 H+ |. x4 v  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
( S# v3 ]( E8 A* U7 q5 \" Z  
. T, C! q: y$ o  loss.backward() # autograd
- r7 r1 v* T2 t4 ~0 ^  with torch.no_grad():
2 M# c8 q9 b. y: T! U5 `    w  -= w.grad*0.0001   # 回归 w
3 b% d* Y4 c# Y+ w- N3 T    b  -= b.grad*0.0001    # 回归 b
: Q% s" r% m% P5 T& L  w.grad.zero_()  
9 o& Y$ P+ `' o  b.grad.zero_()
1 [( c; {; l6 m" o
print(w.item(),b.item()) #结果

/ S! X7 O. m! L  rOutput： 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。
高手们帮看看是神马原因？
; I5 O! X. \  x  j  s

老福

( `6 b# q% }9 V3 f6 H! b2 [0 O2 j" G) D
+ x! _* ^9 Q& R+ U6 ?. Z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，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。
-------
, a& }9 |4 w7 ^" D; U% p- J* A6 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
$ Z% a: A* k: {4 J# z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？
1 k; K% i/ ]& U-------
不好意思， ...

% u# }& R: S/ w& x# s% W# M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

) W7 {' |4 b5 s8 b6 j/ k

雷达 发表于 2023-2-14 21:52
& P! e& J# s1 R6 i, }$ m4 ^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 ...

8 b& m. N( ?9 |0 v) s+ f  E
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。

* C. i: ^) J0 A$ Z5 L0 \6 D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
7 q3 t7 u& P/ k. Q5 ?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。
  N5 w9 g( v( m6 v: Z( X* K
或者把b但的起点改为1试试。 ...

  @. \. g% B9 w- z# Z你是对的。
! P9 o4 ]; F' `8 H3 ^& m去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

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。