继续请教问题:关于 Pytorch 的 Autograd

雷达

( R# X' u/ y& l) E1 U7 r0 l! @
# h; n* X5 I" g# O- Y. V( i" I. h为预防老年痴呆，时不时学点新东东玩一玩。
: }9 ?. C1 V- X7 xPytorch 下面的代码做最简单的一元线性回归：
" A# ~1 [! V" H----------------------------------------------
" k$ o" P  ?' G% K, m  A! jimport torch
import numpy as np
* B1 D( b( P( t1 z9 |import matplotlib.pyplot as plt
import random
) M: \1 Z2 K" }2 N4 O
7 @) n2 z. _0 `( \x = torch.tensor(np.arange(1,100,1))
: e0 E" G8 w, B, k# T& iy = (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
1 K+ k# {* H. P. Nb = torch.tensor(0.,requires_grad=True)

epochs = 100
% L5 Y, q- i2 c
. P' G9 J) S% P( i9 Ilosses = []
for i in range(epochs):
; h% W1 F8 g  W$ Z: j' o  y_pred = (x*w+b)    # 预测
" {- m/ W# D8 D7 [- j9 o  m  y_pred.reshape(-1)
& H" [: R; k4 i
4 y  r) g5 Y1 V5 ?6 v1 L+ K6 F" m  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
8 A" U& K4 n% \. R! f  with torch.no_grad():
( H: `: F- [9 a! U5 }9 Z    w  -= w.grad*0.0001   # 回归 w
2 j$ X1 U4 g0 F4 P$ ^: d2 `7 j    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
# x2 @9 s2 l1 C5 v8 `3 i9 A
print(w.item(),b.item()) #结果
5 e# f* G) p$ E( I6 r
Output： 27.26387596130371  0.4974517822265625
& V# Y" m1 A  ~# Q' |" d+ q----------------------------------------------
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

3 t  `" n' ?% L$ @" |. ~' 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？
-------
& T1 j  l" K+ P: u/ A9 f7 E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。
: A4 K. k, t# S-------
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
  y7 t& Z/ N* I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？
-------
1 H6 B- R6 R+ Y* G不好意思， ...

5 H+ S: l- `' A5 u2 O谢谢，算法应该没问题，就是最简单的线性回归。
5 e5 @% [0 W7 |% V1 S; ^1 p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

雷达 发表于 2023-2-14 21:52
  ?  _5 J- `9 K0 p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 ...

/ O2 L* C' j3 l) I+ ]
* G5 H8 e. _) L/ d1 ?' P% V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
/ E% \/ E. i3 {6 `" |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。 ...

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)
  c4 [+ u2 J- @$ {4 t& R4 l' t
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

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。