继续请教问题:关于 Pytorch 的 Autograd

雷达

; @. T, W4 G/ J0 B- j8 U
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：
8 |% ^* }' X: S6 j# K----------------------------------------------
, o7 f/ f- {2 Pimport torch
+ ^/ }) i- b: M; c3 eimport numpy as np
" a/ X, ^' S+ @$ _import matplotlib.pyplot as plt
& {- v2 A1 T4 O$ `* j* W' w0 himport random

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
$ X9 c5 m' r+ O/ R& n
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
" s: j; z2 E1 ?- r! p0 gb = torch.tensor(0.,requires_grad=True)
) c. `& z8 v- G* T- S
epochs = 100

3 W- S4 d$ Y7 Glosses = []
4 }- R3 I7 j7 K; F, Lfor i in range(epochs):
$ x# F9 j4 S( g& v) M9 Y$ r  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

2 T0 _1 K4 o% Y- |  [  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
; a! B: |7 `1 ~* _! Q3 Y  
. L% A; ^/ x2 [0 b  loss.backward() # autograd
  with torch.no_grad():
, R5 k0 M/ \! i* a1 A    w  -= w.grad*0.0001   # 回归 w
" R8 n' l0 h7 }9 {4 r    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果

Output： 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 g7 S+ e6 p' P" G+ R
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？
7 H$ ~, O5 r2 y, s-------
2 T0 W% ]% h: ]3 e; c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？
-------
' B- _+ z4 U" J0 ]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

/ B5 p4 f$ M, `1 k( l/ y: y

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。
" {/ H* }2 T- O7 C* ^
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
7 a) P5 v5 q4 K' j8 _( k3 u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 s0 |( e2 Q: q: D# _/ j* k/ I& r
$ o( W. p8 O; x8 n或者把b但的起点改为1试试。 ...

你是对的。
! U8 z( g, Z7 s! W# }7 s: L% ~去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
6 H: Q8 r& ^) Y. M0 x2 u; V- fy = (x*27+15).reshape(-1)

: b! E2 V+ E% P6 q循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

2 r9 `! w; M; N! i. Q- o" f" y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。