继续请教问题:关于 Pytorch 的 Autograd

雷达

/ ^6 b$ h+ P: G. `
; K2 {* w8 K) Q3 t# O. L- g为预防老年痴呆，时不时学点新东东玩一玩。
7 P! B9 }4 ^4 u! J$ [0 aPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
* i) |4 R3 o: Z3 F$ g/ P  O1 ~import matplotlib.pyplot as plt
import random

$ j8 y, v) m9 y$ e( Hx = 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

+ I% o, ?* a" p) F  i4 Pw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
3 S1 M) z) F/ {. G& v8 G( Kb = torch.tensor(0.,requires_grad=True)
  p. U' i* A( ~; E+ R3 ^: c2 \
, H+ W" w# J2 o+ xepochs = 100
- I- q$ Y6 |  t/ ?
losses = []
0 W) X7 V9 y" z7 yfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
! X- H$ J4 L' l$ ^) _5 ^# _0 @  y_pred.reshape(-1)
% B3 A% b; M8 w) n6 E# w
  loss = torch.square(y_pred - y).mean()   #计算 loss
, O7 K7 L5 E- L( e6 i7 [  losses.append(loss)
  
  loss.backward() # autograd
: n. U8 t0 y  o- l4 G; f, z  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
7 F& c" o- f; i& Q  w.grad.zero_()  
! c$ ]3 H( ]; D9 p- @# @  b.grad.zero_()
5 V4 o6 g  c& E4 d% H
print(w.item(),b.item()) #结果
$ `" C7 N; b! L) \
5 ]- T7 Y5 i; u# P: QOutput： 27.26387596130371  0.4974517822265625
3 ]# R3 V9 z) |6 k7 l+ s9 {5 S: j) ?----------------------------------------------
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

. @+ _* p) R# j, R
9 i: G' l% e" s  H9 b2 Q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？
-------
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。
) \$ Y4 U( Z' ~& `  x/ k-------
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？
-------
不好意思， ...

$ _, w% c, x3 m7 s; y3 V谢谢，算法应该没问题，就是最简单的线性回归。
" m' L# z% q- n: i$ L( y5 j, r8 {4 {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

" L# @7 ^7 s$ Q8 u4 h6 _

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 ...

: i' V1 w9 C) \6 o
/ F8 V& v7 t  Y; S( 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。

2 }5 [$ E( ?0 p! y. u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。

5 I- f# w% G8 o! R或者把b但的起点改为1试试。 ...

# S$ f# C1 a& M+ L+ J4 u! \0 ~* O
" N4 v6 J4 w7 h4 A1 l4 Z. I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)
( l/ `4 k) z) S; w$ \
& M* e/ p# N1 L6 i$ A3 d1 ?循环次数加成10倍，就看到 b 收敛了
8 i4 o7 A5 G3 I) Y& a. x7 _' n, Dw , b
27.002620697021484 14.826167106628418

2 A. r  J! o6 p* F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。