继续请教问题:关于 Pytorch 的 Autograd

雷达

+ k, E: W$ C) K
: P# ?% t4 z2 b6 e  I/ G: X为预防老年痴呆，时不时学点新东东玩一玩。
6 J9 Z4 r# \" Z6 IPytorch 下面的代码做最简单的一元线性回归：
( e3 F$ |) T' [  e, L4 J& U----------------------------------------------
: R7 a" \. p2 W! t1 L# L4 bimport torch
, W: T  H8 f& ?/ O/ }3 iimport numpy as np
import matplotlib.pyplot as plt
import random
  V& d  N; U: {  h9 v) ~# a
- m, \  ^2 ^3 I) o" m8 W' fx = 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
0 R( U9 X' D, e2 s
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
  v+ L1 G$ S7 Z9 r  F( t0 l0 k3 eb = torch.tensor(0.,requires_grad=True)

epochs = 100
$ L# {, U$ R' q# \" H& F5 U2 Z+ T
losses = []
% ]! o) y: w7 A1 q4 A& v' }( ifor i in range(epochs):
  y_pred = (x*w+b)    # 预测
, O: Q) n6 K, D* k1 l  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
3 Y6 v9 z0 a& Z9 O, G( Z  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
- T/ I) Y$ o5 ]$ D3 I9 f6 K    b  -= b.grad*0.0001    # 回归 b
6 @; f# j0 X  b9 S& y  w.grad.zero_()  
, _, ^8 D$ \5 R$ k  b.grad.zero_()
. ?* Z# S7 h$ `0 o2 `# ]
% M/ n+ V  p1 e7 Uprint(w.item(),b.item()) #结果

2 {, R# |0 ?! H! s9 o: n! Y, aOutput： 27.26387596130371  0.4974517822265625
- {; J' w& y- T2 |+ v5 r----------------------------------------------
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。
5 Q1 K. E( L& J! `- S0 y高手们帮看看是神马原因？
  b- z7 m! V8 p3 K

老福

- w7 R! @% v$ Z( }* G& ~' 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？
& Q' n6 y% ]9 n& i. U- F-------
: d7 {4 ^" ]0 B  D) 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。
4 D3 I0 I3 x9 m! \: j8 k" L-------
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？
+ @5 R) n$ r8 u- g# l. E1 W-------
' f6 Y; }, S5 W5 h& U不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
- J9 m* v; {; ]  V. U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/ ~5 \) Y, _: E0 t# ^' U

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 ...

) ?5 |, x7 m8 T/ a
+ x" Z6 F" P" G+ `' a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。
1 F! O/ B- C: f& h3 p
或者把b但的起点改为1试试。

雷达

' ^2 P5 `5 t; a2 W9 c( R+ b3 ~

老福 发表于 2023-2-14 22:00
+ B$ S9 Q' X2 R) x9 H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。

& R0 I0 P. i3 Y# B或者把b但的起点改为1试试。 ...

8 ~& [. w( {( ~/ E
0 S) j. D& k: J5 ]) o! C你是对的。
去掉了随机部分
+ |) u- F  u; C% ?" L#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
' @: u" V7 U* }
, N# f% e2 ^" I( b; i4 ?% r循环次数加成10倍，就看到 b 收敛了
w , b
/ u0 J# ]: Q/ t  p6 d! ?- m6 }( x1 ^27.002620697021484 14.826167106628418
, U1 O5 f6 x6 f* g
5 L3 h# z# S. u2 k1 `" J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。