继续请教问题:关于 Pytorch 的 Autograd

雷达

9 Q* H6 a& u% @) ~& K; I' C为预防老年痴呆，时不时学点新东东玩一玩。
& F0 r0 w, V8 s: y* `, WPytorch 下面的代码做最简单的一元线性回归：
9 D/ _, [0 e0 G2 D----------------------------------------------
7 W; r* l* A) h) ^) X) W! mimport torch
import numpy as np
" V2 k8 m' y! R2 L) u4 Fimport matplotlib.pyplot as plt
0 Y- ~6 c% Q. F+ M* U9 `import random

4 v' |6 R/ ]  x. m" A' p* X. Hx = 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

& w6 c1 o# w# C/ o- t; Fw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
) y+ u  F1 z) n# O2 `% Gb = torch.tensor(0.,requires_grad=True)

epochs = 100

( R# f1 \$ o8 {6 M6 Glosses = []
& j9 F# J$ `5 x$ wfor i in range(epochs):
( V" e- z  f7 K4 s: }5 s  f8 N  y_pred = (x*w+b)    # 预测
1 k8 |2 h; B. @* c! c  y_pred.reshape(-1)
' u* B0 J" o" Y) Z. k% B' w
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
) p' o' }* @- k  
6 ]- [( X# @$ k/ x# ?! n. l  loss.backward() # autograd
, _1 p; P* @# a; I+ o7 o$ S  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
% C% c( t% l. j5 R1 E" _8 X: B, A  w.grad.zero_()  
6 H" w. X1 O9 o& m# f7 E  b.grad.zero_()

print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
8 i6 Q% Z' w: a3 K+ B# D5 s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。
$ f1 U/ n! }& t1 w1 \高手们帮看看是神马原因？

老福

+ V% D9 L+ _9 M  U' z( d7 a
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？
* s' |: K* [  F1 G7 d: H-------
( K: B, @6 x4 g; X/ 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。
- O9 _0 ?6 L/ T$ W-------
; C& C9 L& A. O, n2 Y1 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
7 ^/ T. H, q" h! n# _- \0 Z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？
-------
+ ?$ u" X% l1 P; ]- _  d, _不好意思， ...

- V' ~  V- R* {5 c& C! S$ n谢谢，算法应该没问题，就是最简单的线性回归。
+ K$ u/ W; Z0 K) {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

+ y' C: `2 @3 C6 {) g* q! \

雷达 发表于 2023-2-14 21:52
  C$ c4 k" j$ ]  y- H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 ...

2 P0 a3 u4 x; e+ S+ Y5 b, o0 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。

雷达

老福 发表于 2023-2-14 22:00
" |, B- `: A. a, n9 m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。
) Q6 J0 u$ X8 R1 R( v: ~
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)
" I' B& M, d* U8 Ay = (x*27+15).reshape(-1)

6 t$ x* E' F' _& @; D8 T& w: s循环次数加成10倍，就看到 b 收敛了
w , b
+ q; t+ X- q8 L  V5 u27.002620697021484 14.826167106628418

2 r4 I1 [1 b; A5 F) ^3 S3 O9 ^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。