继续请教问题:关于 Pytorch 的 Autograd

雷达

/ k) I$ m, u+ B' C5 H4 N$ |
# y2 j0 D- k; S, E2 }+ y6 f# B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：
  o- N% ^% W  u* D2 F7 k* B4 s----------------------------------------------
import torch
9 x, ~- B2 X; `/ b* Uimport numpy as np
import matplotlib.pyplot as plt
5 c( G: T2 L& W5 E- y1 d2 }4 ^import random

5 U" D+ f9 m. @8 ~! i- }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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
5 y% g( O0 j7 k7 Z9 B* U$ E# l  ob = torch.tensor(0.,requires_grad=True)
) w; S) j  V; k2 |& h  q! j
epochs = 100
3 _7 q1 Q3 o, B1 ?* }. }' ]
, k; V; H$ ]0 ~3 c9 Z- ulosses = []
- E: U) Y) \1 S4 vfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
& w7 t3 H! f; A+ ^! r  y_pred.reshape(-1)

7 S6 ?2 [3 L' }1 D1 K4 d  loss = torch.square(y_pred - y).mean()   #计算 loss
( B, S$ q  K2 k) v3 c0 b  losses.append(loss)
  w6 Y- p$ r" ]2 J9 `' `  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
, H4 A, |9 ]- g( ]0 ?6 e* Q" g0 D    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
; f6 x1 o+ e, F0 N' I+ z  b.grad.zero_()
1 Z! {- F( Z9 q8 j/ R6 J% o& E. O
print(w.item(),b.item()) #结果
, M- I" H, f9 ^; ?  l; Y
. Z0 j, n" A/ q" f# D" u8 U# s: vOutput： 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。
: R% z% v* X" e$ ~2 c高手们帮看看是神马原因？
0 `+ ?! q: t! _! F  H

老福

* e: |" e, G- k" O  ]' Y7 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？
8 @4 a. R8 L) p-------
% s, I2 H! C" v! o1 _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。
-------
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？
-------
; h5 A6 m# c: r! C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

- M% c* G/ J: W! i" n

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 ...

/ l) t# i3 S! R" ]
' Z# ~  D/ q- C$ p; `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。

( U% S+ b2 J- A& v或者把b但的起点改为1试试。 ...

; I* x8 ~3 R% L- Y( c+ V( C
你是对的。
去掉了随机部分
& z3 N( @2 d* V- ^#y = (x*27+15+random.randint(-2,3)).reshape(-1)
6 v0 S0 k0 ~" ~8 U' x3 C8 {! \y = (x*27+15).reshape(-1)

7 @3 o" O+ Z$ n. ~+ O7 x循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

0 `' w$ j- S4 g  H2 n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。