继续请教问题:关于 Pytorch 的 Autograd

雷达

1 Y- P8 j  D$ U# U7 {7 s- I/ x
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
% H# Y+ u/ [3 I2 Y0 q4 S2 Kimport numpy as np
& ~3 E1 g! @* Wimport matplotlib.pyplot as plt
import random
5 b) R' k5 ?- y
x = torch.tensor(np.arange(1,100,1))
! U- R8 _9 d* |3 g! N1 J6 Ty = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
0 U8 U7 W- L0 v0 }$ Q; {
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
# ~! Q8 d" M, |9 _
, n: p, F% m4 Fepochs = 100
# m1 F" ~1 N4 ^. u' \
losses = []
for i in range(epochs):
) y- w# g7 |: u' z+ x) W  y_pred = (x*w+b)    # 预测
. |0 E* ?6 u/ O* \2 [8 j& I& H  p  y_pred.reshape(-1)
2 d9 D6 n+ t# W2 [9 ~* A1 r( g' v
  loss = torch.square(y_pred - y).mean()   #计算 loss
; f6 t1 W# T. F( _1 ^  losses.append(loss)
2 q- ?  c# D0 w2 x; {$ N# s, \  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
* \" B3 s$ Z- Q0 z/ ]- \$ P    b  -= b.grad*0.0001    # 回归 b
2 n1 ~# l2 q: L- s. m  w.grad.zero_()  
! v/ O( p0 l; T. {7 o  b.grad.zero_()
6 q! q: h, l0 d4 z  W, t0 \/ l
print(w.item(),b.item()) #结果
2 p2 h7 Q2 Z8 r" n: d
Output： 27.26387596130371  0.4974517822265625
2 ?; w+ D9 I2 M) x1 r8 r. x4 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。
, k2 D3 O  E5 m& I1 s3 y( ?* ~6 Z高手们帮看看是神马原因？

老福

2 g) i3 Z" b; T0 P
, M) U, S: s' A; \; G  P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 E3 d3 ^& Y& V/ M8 A+ @  I8 [3 K" m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。
5 ]) q; O  @6 {$ ~1 J-------
1 t: Z: w" Z+ _  L6 R) |$ T8 {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
0 C( H8 @" ?) e& ?9 h+ H1 Y7 d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？
- |# l# _# m, h-------
6 f8 H4 ]8 c, B$ g4 d; e  u不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
, H4 \, e+ Z) D( M; E1 P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 ...

. y7 ^, K+ k. _, j6 [0 [; R/ Y( C& J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。
' m% v* _; j1 `" ?+ v1 Z7 e
1 w/ J7 V, D: f6 S: O: _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
0 e" ^5 D. P  }  t, {9 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。 ...

4 H3 K. d+ V- q( J7 v你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
' V: w; y$ F7 F6 M# y" B4 m
% p" m' L4 B5 w, E) s" ?循环次数加成10倍，就看到 b 收敛了
: |# _/ o. b! @0 |" ]/ F6 _w , b
27.002620697021484 14.826167106628418

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。