继续请教问题:关于 Pytorch 的 Autograd

雷达

为预防老年痴呆，时不时学点新东东玩一玩。
* q0 T0 i$ p1 i9 R8 R/ _Pytorch 下面的代码做最简单的一元线性回归：
8 X9 c6 x! W8 K; z1 s: s% j----------------------------------------------
import torch
" o6 r' I9 Q: u/ B6 n+ }import numpy as np
import matplotlib.pyplot as plt
6 m3 U5 J; t- q5 r( simport random

) X/ o/ L  v! Ux = 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
1 Z: t/ i4 m" J9 c, r, k( |
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
% u6 x! F8 Q2 O- ?for i in range(epochs):
0 W& q) K$ Q/ }# |  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

+ x& D: T$ F' W/ x. e  loss = torch.square(y_pred - y).mean()   #计算 loss
+ X! R7 _  w- L6 B. g' Z- y  losses.append(loss)
  
$ `4 ^; E) `8 ^( S: g  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
' v9 N1 {8 I1 D    b  -= b.grad*0.0001    # 回归 b
( C3 K7 U/ O% h6 Q3 l3 _  a& y  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
- U+ _/ ~9 q- g; v7 l- m" D
Output： 27.26387596130371  0.4974517822265625
, g) Q/ P' p2 O----------------------------------------------
/ I  F# S* A3 |0 ?4 e  F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。
/ d/ e3 I! L# Q+ o" u# ^- f( w高手们帮看看是神马原因？
5 m4 i/ G+ p+ d

老福

2 g' ]3 K& C4 ~7 Z9 p! |* y! b/ V
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？
-------
/ |) p" c3 C& \0 X+ J: `" o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。
* k/ f' ?; ^9 v9 D4 d, _" H-------
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 f: T( k, ^8 L5 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？
-------
8 M) E4 f: l1 G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

9 L; Y0 g" I" Y9 h

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。
  F% [4 ?$ e4 M  R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。

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
6 [- ]  j( s) f) I1 \4 T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。

0 x, M* G6 y; P4 \6 Q; d或者把b但的起点改为1试试。 ...

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)
8 Y! F. h' U" z+ u4 u3 {
9 E8 C! B5 l8 m- K4 p: b循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

  C8 d5 A& {3 Q+ }. P+ X  h- N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。