继续请教问题:关于 Pytorch 的 Autograd

雷达

. j+ z6 q# m- ]' _为预防老年痴呆，时不时学点新东东玩一玩。
/ s" A& s6 o/ Z5 PPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
8 G4 h6 U3 {% x$ E/ ?. Dimport torch
import numpy as np
import matplotlib.pyplot as plt
: F3 }, |5 j1 r5 ]import random
4 I' L# \, {$ C- E3 H1 w% U
x = torch.tensor(np.arange(1,100,1))
  A/ N& z: X" d2 |4 ly = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
) ]) j* z4 z1 ^" z
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
; n/ A9 Y8 X/ k% ]" D/ S! T8 s/ Xb = torch.tensor(0.,requires_grad=True)

5 z  P9 I! O0 a" H2 g( x2 J& Qepochs = 100
, {# b; I. f* c9 ]
5 _: l# t/ q- n1 g* Alosses = []
for i in range(epochs):
% k  K8 p8 y0 W1 F8 F  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
$ n3 t" Z) F. C6 k- F$ M7 [
  loss = torch.square(y_pred - y).mean()   #计算 loss
( g  n# _8 C' d! Z1 a3 I2 e5 _% |  losses.append(loss)
  
. W7 q; Y& x: v# Y4 E  loss.backward() # autograd
+ w: F: M) q% Z5 d, ?. y/ v  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
: x' \& u) o* b6 {  w.grad.zero_()  
2 X6 o( h8 Z- `2 A6 J  l# a  b.grad.zero_()
/ V, W# f/ L8 N8 K" A
print(w.item(),b.item()) #结果

: V# d* v( w7 nOutput： 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？

老福

4 i, F1 C  w7 y1 K, f9 \
# ?' _0 u: b  Y4 z4 L7 G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？
4 x3 i& h# f8 {# a-------
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
; `! {/ d" g/ }8 M. i/ F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？
-------
4 L! B3 C& a+ o# C$ G7 H, s不好意思， ...

5 O. _9 ?8 Y* C6 E( k- {谢谢，算法应该没问题，就是最简单的线性回归。
# k" C& A3 B- z: m" g- ~8 n" _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

- a! F8 |6 K3 ~2 d9 s* r

雷达 发表于 2023-2-14 21:52
1 P0 q. b; b- o8 d谢谢，算法应该没问题，就是最简单的线性回归。
; L/ X! l% I. J2 R1 \# s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 ...

- v% ~( P: W0 }. j1 }& v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

, O2 R* T8 ~- H" G# r

老福 发表于 2023-2-14 22:00
% m: P5 P7 b0 e8 I0 B+ g& S1 ?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。 ...

& M- P  H3 |" ^3 I& A6 I
& }- }5 m6 N4 h% H! O3 q2 i你是对的。
; {% {& v" \5 |! p: h$ z去掉了随机部分
8 x3 g. ?2 a/ K6 s8 B$ \#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
# b3 w* n/ Y! c+ N1 s( M1 l- _
  o3 q4 S1 K" h6 c0 B! E循环次数加成10倍，就看到 b 收敛了
( A& s. `$ ~4 v, G$ e0 \5 sw , b
: a/ O& P* m; M! k6 y( a' {% N! s27.002620697021484 14.826167106628418
. ]3 ~/ b; {8 w2 G* O3 I4 P$ a
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。