继续请教问题:关于 Pytorch 的 Autograd

雷达

& A" E9 {6 m: r  @* L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
4 ^5 g+ q, d8 ]5 ?: i7 L4 t$ kimport numpy as np
import matplotlib.pyplot as plt
1 ^4 F; i/ f7 ~import random
" l2 A$ C( q& ?5 O6 w0 ?( }
& V; V! d/ }% u* c. yx = 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

, @- S" X& ]7 j: b/ Dw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
' p9 j, g9 [2 Bb = torch.tensor(0.,requires_grad=True)

7 I" D- g2 E8 ~$ Bepochs = 100
; ]8 s8 ^2 i' D: O0 w
losses = []
for i in range(epochs):
7 ?4 _/ l+ ?+ ~$ ^5 j2 W# b! v* v  y_pred = (x*w+b)    # 预测
* H/ N3 f! P1 |' ?  W5 f  y_pred.reshape(-1)
9 |6 F" @) H# q  m6 l5 |9 n$ v( H
  loss = torch.square(y_pred - y).mean()   #计算 loss
0 U3 J7 k! T$ X, o) \8 V. ^+ \  losses.append(loss)
  
  loss.backward() # autograd
& B. F; m' O) m! [4 q  with torch.no_grad():
7 B# `6 _# g& L$ p+ M6 _+ A$ W    w  -= w.grad*0.0001   # 回归 w
2 V, @6 y- A9 i1 F' P- Q    b  -= b.grad*0.0001    # 回归 b
. W; P$ @5 h! z  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
+ ]3 I  r+ Z# ~8 [" h0 p3 s. `
4 \) f  Z1 v" g( D2 v( F0 Q' pOutput： 27.26387596130371  0.4974517822265625
- E) M( _9 p0 \, L. Z4 _# t----------------------------------------------
, ?5 A# m) k5 v2 W, N* x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

" a' l( K- D+ d" L+ E( w/ B
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？
/ M0 x' a+ K" o+ u6 I: g# @3 p-------
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。
* S9 H) E- p* A1 r-------
4 K! n+ \) x- i( ~+ U* s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？
-------
" M, |6 o, h: \1 |* A8 Y0 x不好意思， ...

. P: V- C) H% o3 s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

) ^3 k' x  W) y- p2 }

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 ...

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。
7 E2 o- W  o/ o' Z2 @9 Y& `' y- W  U5 g
或者把b但的起点改为1试试。 ...

% z; {9 |8 `2 }4 B7 M; x5 I2 ~5 t9 Q
你是对的。
6 X* c8 }9 Q0 M7 A/ T- e* n1 p; b去掉了随机部分
7 Y; w  N7 |( Z; a1 Y, v4 |#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
' \& t4 b, T' D" ?
5 n, x. n) o5 y% ]循环次数加成10倍，就看到 b 收敛了
) R* B1 {! c" Q( T' kw , b
' d' v8 D/ D; T8 L# [% g8 g$ j  F/ \27.002620697021484 14.826167106628418
; G) S  p% h' U: x; G( n! Q) g( p7 P
  D7 ]- X5 j* ?# @9 U+ U3 u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。