继续请教问题:关于 Pytorch 的 Autograd

雷达

: ]9 @5 ~  j- B0 I4 s为预防老年痴呆，时不时学点新东东玩一玩。
! R# G7 h4 K( X  TPytorch 下面的代码做最简单的一元线性回归：
" F3 u0 J( d5 n----------------------------------------------
import torch
1 H( z, r7 ?) Fimport numpy as np
import matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
! ~1 ~1 X) @8 y8 Hy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
8 P# t% X) i( d, h8 }4 X
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
, s) r) e$ }1 \+ g& [3 nb = torch.tensor(0.,requires_grad=True)
; A5 F' z3 w  ~
/ q8 \9 |% N- j8 \epochs = 100
# Q/ z3 i8 o; f$ C9 H6 k
$ c7 J9 S" t# @% K# ?: B# z( K$ \losses = []
for i in range(epochs):
9 W  t$ I+ U. C: f: L  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
7 u/ G) V8 i0 e% Q, T& x
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
# r7 t! r: n) Z' @# v, t  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
+ m6 P! o* e8 u* G0 z% s2 c    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
+ n( b. S; I: v$ k% @0 Z) ]  b.grad.zero_()

print(w.item(),b.item()) #结果
3 F. P3 |* |, W% @8 q) t
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
3 `. v) @+ C' s1 L5 |3 h. a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

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。
-------
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
* G  n( P& _. D/ |# G4 X$ h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？
-------
% G( M* z! t6 F1 j7 d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

/ o: Y4 n7 ^( x9 q

雷达 发表于 2023-2-14 21:52
: Y7 `0 C8 ]. F+ d2 f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 ...

: `  |1 n2 |! V4 E2 _: d9 [0 E
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

* Z) [' G5 E4 `5 t- H8 E8 H9 Y

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。
) n" ~  i/ B$ b! b; e4 m- P0 I2 P
或者把b但的起点改为1试试。 ...

你是对的。
/ V) J7 h* U- K) p& N去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
0 \9 s/ m# C  S
$ @* q) y7 d- b- ?% @循环次数加成10倍，就看到 b 收敛了
0 J1 d) @4 w! ew , b
27.002620697021484 14.826167106628418
' A; N: j! A, p6 Y" a3 b4 }- X- y% C
2 Q. I8 O  M' {# l4 T" h+ h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。