继续请教问题:关于 Pytorch 的 Autograd

雷达

! d" q' d0 k8 c2 T3 v
为预防老年痴呆，时不时学点新东东玩一玩。
) e7 A5 ^& j: Z2 WPytorch 下面的代码做最简单的一元线性回归：
! G' q2 C/ E* u----------------------------------------------
import torch
import numpy as np
( O1 R/ _8 m+ N3 Pimport matplotlib.pyplot as plt
9 [; F% D7 u* K1 h' cimport random

7 y+ h/ ^" u! J& P6 |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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

5 _8 j3 _# S. ?& glosses = []
for i in range(epochs):
& S# e, F8 n8 h  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

6 X" i# A9 m: m9 {  loss = torch.square(y_pred - y).mean()   #计算 loss
5 ~; X" J1 o0 R! O/ ?" ~  losses.append(loss)
  
  loss.backward() # autograd
7 z# z' T2 G7 }  with torch.no_grad():
  f; D& @/ |, ~9 o+ m0 a, K1 H0 E    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  P4 q, M" m8 V( `' S  w.grad.zero_()  
3 F4 L* u5 ]8 Z% J( P5 R6 V  b.grad.zero_()
* K/ I% t/ Z/ |
print(w.item(),b.item()) #结果
; ^7 n8 n% |/ {
: V) L2 H2 g0 |6 H$ w/ vOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
) U+ w$ ]  W! b4 S6 w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

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，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。
9 O* {2 \; U2 W9 ~8 G-------
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
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？
-------
. _7 H& m6 I) l" c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
/ a0 ~" I8 L8 C, a5 h7 C. O( x谢谢，算法应该没问题，就是最简单的线性回归。
* T- V( a/ _. ]) [. H. x1 ]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 ...

. ]$ W- z) c: [$ D" ^
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。
2 k  \* b: q" X: k& X6 J
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
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。 ...

1 k3 i, D* K' {6 E- C* x: H
你是对的。
  m. f, N$ c* y% I" J+ M9 f去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
  K" D/ T3 d1 D8 Z& F# L, E- ty = (x*27+15).reshape(-1)
9 @" B& Z, X0 u+ y" M0 O# n
: |8 h: d3 X0 q循环次数加成10倍，就看到 b 收敛了
w , b
, x5 [- r4 S6 `0 v, O; J# d$ l% U# N27.002620697021484 14.826167106628418
! q. i3 E$ g- Q8 D, o6 g- }
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。