继续请教问题:关于 Pytorch 的 Autograd

雷达

5 M/ S- R9 s$ a) E
$ D3 m( {( M& }& P7 Y5 n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：
. e4 t# V' W/ r+ w* l' s  G----------------------------------------------
8 j3 }, S' d' a7 `4 m2 ~import torch
* a* i/ L2 ~- \7 B& d# @- Uimport numpy as np
( \4 z8 o& x7 |0 qimport matplotlib.pyplot as plt
import random
3 ~( E6 z9 K, T6 u) K: X2 V7 H' Q% o
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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
. `$ _0 ?' u. S3 h+ Yb = torch.tensor(0.,requires_grad=True)
% p- j) V: C4 T/ V6 X9 B% S
epochs = 100
8 M* w" L, K, O. r
losses = []
4 k3 n( `, d4 [2 s- j  u( wfor i in range(epochs):
8 R9 q! [. u9 a7 _( C5 u; r  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
5 H8 ]( D$ K  W3 |
! ]" p# x- t" g+ v0 y) L  loss = torch.square(y_pred - y).mean()   #计算 loss
, i4 D  s: b4 l9 a% V  losses.append(loss)
  
) J: O& a$ f9 X- H  loss.backward() # autograd
' L1 r( b2 X" ?0 K# Y, P# {7 b  with torch.no_grad():
6 l' D6 i2 H" |( F4 o* D) Y$ }    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
& V' t, D5 I' K7 M  w.grad.zero_()  
+ s$ x) Q% n/ \& t3 y  b.grad.zero_()

print(w.item(),b.item()) #结果

" r1 _" a' b8 KOutput： 27.26387596130371  0.4974517822265625
1 [- y+ `: l, M8 z4 Q! t----------------------------------------------
7 V& p, R* L, ^+ D" x5 p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。
% o- {/ D+ ]3 }  T, B! u1 l高手们帮看看是神马原因？

老福

0 p% R8 A5 S0 S- A
2 h$ L4 w1 ^; P' N, S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？
-------
; }0 Z: C3 n1 Q: ?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。
-------
3 }6 h9 r1 l( m, A; u( \3 a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
/ m$ `9 n3 w" }! Q- q$ S! V5 y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？
-------
0 q, J: [4 i# R  i/ U" u- n6 L不好意思， ...

! x6 U* k% y( n* n! I谢谢，算法应该没问题，就是最简单的线性回归。
' Z! i1 w- I" V$ \) V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 X$ Y' ^" U1 j. L- o1 D' e/ f# T

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。
8 n' [  p7 i  r! A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 ...

/ D) @4 _+ R- X" N* C
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。
' S% y1 ]. N" `
- m. a! d1 g8 W& J, {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。
- {$ q- _0 K& ]2 a
或者把b但的起点改为1试试。 ...

4 s; p2 `  _8 E# r0 S; Y# I你是对的。
4 S' U8 T+ j+ d& |' E去掉了随机部分
. }6 G: e1 P' P' x#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

5 ^5 U6 b, W" q& F3 n# d9 W循环次数加成10倍，就看到 b 收敛了
+ a& W$ Y2 ~2 `: c  s! zw , b
9 H9 M/ }1 E% g) Q0 }  |) Y27.002620697021484 14.826167106628418

" w( N3 o/ W6 p0 _. [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。