继续请教问题:关于 Pytorch 的 Autograd

雷达

5 f8 z! G, Q2 z; G
为预防老年痴呆，时不时学点新东东玩一玩。
6 m$ T; V: k0 b& N: D3 o* BPytorch 下面的代码做最简单的一元线性回归：
/ y9 b7 m3 j5 E  q3 e----------------------------------------------
import torch
import numpy as np
3 a2 V6 A! h9 R5 \2 c6 Z9 r  oimport matplotlib.pyplot as plt
; `0 v6 q* x. _8 F. T( Oimport random
' w! _. m2 Y9 U/ g4 V, d  C
2 A( L  |5 \  s$ ]0 Y9 K! S& |# Bx = 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
5 A. X* C% Y( B8 t* j' m  o; F, N
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
% a7 o, R% `  }b = torch.tensor(0.,requires_grad=True)
8 q6 H7 b3 b& ]" }5 a+ c  L
epochs = 100
$ N  g' P7 {. {0 _( }7 M
losses = []
for i in range(epochs):
% }' n: j# r+ Z; `" q  y_pred = (x*w+b)    # 预测
4 k9 x7 Z3 ?. f8 J# ], S  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
7 [( ^1 Q  p  D$ M+ p0 s# o4 S/ f  losses.append(loss)
! z. v0 d5 T7 b6 W/ {5 v6 A! y  
) k7 s3 ]' ]* l+ j  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
4 t5 p9 v+ O$ N  b.grad.zero_()
1 X' |9 |' Z  I. X0 D2 c7 _
print(w.item(),b.item()) #结果
4 A& ~- {( C, y/ y& V" [3 x' `
Output： 27.26387596130371  0.4974517822265625
) `! u* c: e9 A3 r8 q- O9 z# h----------------------------------------------
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。
0 W) ]. D5 S% z. e+ D高手们帮看看是神马原因？
) D0 L) h3 B  T( a' j

老福

0 u: k$ M( R0 M" ?
3 O1 x9 w8 f2 M, U6 M- V# l# ]/ P7 @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？
-------
+ l6 P/ P( S( L( T: U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。
-------
% w" a8 t# f- G) O$ C4 ]3 z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
! T5 \8 Z6 Z9 w7 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？
& c/ h) S$ ]; K9 L-------
  y: l7 V8 }/ d/ @: z不好意思， ...

* c" Z. y0 K/ s) v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

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 ...

. ~+ w3 M- H5 ~; M& ]3 N% s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。

. q5 G: v+ z+ I8 I! `. c或者把b但的起点改为1试试。

雷达

' A' u7 ]& H; b- |& }

老福 发表于 2023-2-14 22:00
5 V. |* [' W' s# f3 i% O7 D+ O, 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。

或者把b但的起点改为1试试。 ...

2 {! k' o% e2 z2 d
0 q4 T* e  ^. t3 E# G& s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)

. w0 P! d- c8 f/ @: J6 n1 W- E循环次数加成10倍，就看到 b 收敛了
+ Z" @0 f, ?! Iw , b
5 u& w# i# G' @27.002620697021484 14.826167106628418

* _( g' y3 g9 K8 k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。