继续请教问题:关于 Pytorch 的 Autograd

雷达

, ]* `6 Q; g6 N  B1 n为预防老年痴呆，时不时学点新东东玩一玩。
% w: k- d, ^& a+ R5 d& HPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
import random
. U' g  o, H: X/ V. S
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

  Y) J  v4 r, ~7 iw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
- P  q/ {) H- }4 B2 S' z. W
* F9 R" N: J8 G4 e" q0 p3 ?epochs = 100
, ]) H. ^$ ?  c* N$ U3 h1 v* G
losses = []
for i in range(epochs):
8 s% V, P( H6 C  y_pred = (x*w+b)    # 预测
6 V/ Q( ~* L( H8 ~& k, _  y_pred.reshape(-1)
& B- j) o9 B/ P: \- s
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
/ e. c+ R, E( p; X8 w& p    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
+ ?8 y7 F; M% }* G) X/ q
print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
$ z/ |5 ?$ ~3 a1 M) `----------------------------------------------
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

/ K" k% x3 @' u
# s+ L2 B% f  v. P7 G) o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？
/ X/ R  z7 p2 ~, x7 `- B- ]-------
$ t2 H9 |0 Q0 N, j$ a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
( m& N( `$ P+ n2 \0 \1 @2 a$ W- U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， ...

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 ...

  s/ B$ m0 ~) w: X
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

: Z2 @% o5 w9 \+ e

老福 发表于 2023-2-14 22:00
0 ]( Q" m. E* 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。
) u5 a/ w$ Q3 o
或者把b但的起点改为1试试。 ...

& J% o5 a. F! r& h0 P
你是对的。
去掉了随机部分
, c, u+ L. P- {: K2 J#y = (x*27+15+random.randint(-2,3)).reshape(-1)
2 J2 n5 W8 @5 s* l. }1 o, ky = (x*27+15).reshape(-1)

3 L6 |7 q  ?" R( J7 q# i循环次数加成10倍，就看到 b 收敛了
; f+ \: q: |/ x4 x9 A( Nw , b
+ V% D9 E% {  _* M27.002620697021484 14.826167106628418
, H% M" f# i* m  S( D
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。