继续请教问题:关于 Pytorch 的 Autograd

雷达

6 N" k/ b8 G% O4 H4 ?* N+ R! _, o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：
----------------------------------------------
import torch
+ X9 l7 g$ S8 T, |- X; X# jimport numpy as np
import matplotlib.pyplot as plt
import random

5 c( U, S" m1 A! E$ ~6 v6 p8 E0 kx = 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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

4 Z1 Q( B& f7 U# d0 I( flosses = []
5 _. c8 J% z! w4 o* sfor i in range(epochs):
% f7 `$ r* B, \  y_pred = (x*w+b)    # 预测
; r( {# J6 x- o4 z% u% Z  M  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
1 G: U- t; j0 M' s5 t& o" z4 K* ~  losses.append(loss)
  
% K0 T" u" s* _5 H: R  loss.backward() # autograd
  with torch.no_grad():
( e& m4 C$ B8 p+ C    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
) t$ K) K8 f7 `; o: d+ l' |( E  b.grad.zero_()

print(w.item(),b.item()) #结果
- W1 V2 u/ S4 l- ^0 i; c( U
: Y! p  @8 _+ C/ V  {& y- yOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
! l$ u& S3 G+ u. F+ d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。
8 y9 K/ m& k/ `2 z" q" K( |高手们帮看看是神马原因？

老福

! v  l! D2 Y* L3 T3 t7 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？
-------
7 e, [9 s, Y% U1 o6 D% _5 d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。
; S( ]  _5 p6 ^% Y, s$ r/ o-------
+ b8 F) l- Z* @( l& d1 z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
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？
-------
+ M6 d! Y! n8 O/ R不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
/ W2 a5 n. ~+ ^- f/ D( O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 ...

. [$ k' `: L' `: e" X4 G
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。

7 O6 }7 E3 I# U( X+ d( U8 B1 X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。
  h1 G  b6 _% K# I
或者把b但的起点改为1试试。 ...

* ?% s" _. @) Y3 Y4 ~3 J1 x
8 L5 ]% c8 ~5 i5 W5 t8 K3 {你是对的。
! y% Q; P' d, n7 `  a4 {: O) c去掉了随机部分
5 U: K+ U8 }$ ~1 l" T#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
, O6 J: V, L8 Q27.002620697021484 14.826167106628418

4 p. _, t, ~# n1 M3 R9 m5 l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。