继续请教问题:关于 Pytorch 的 Autograd

雷达

1 W6 ?# _) r$ r
为预防老年痴呆，时不时学点新东东玩一玩。
Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
! @, u2 w$ T# n9 y& o: X! iimport matplotlib.pyplot as plt
import random

4 @8 C* M2 {+ }5 tx = 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

, A1 ?  y4 w8 _# E: o# |- ]' vw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
, {6 ]; w8 ^9 k. Z
0 A" [) Z* Z9 ~! N' V/ z9 xepochs = 100
. f" p! X5 u9 D# V$ E$ S
losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
3 @' t4 }( S' |; W# ]8 c+ I2 b  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
0 S3 h9 s# s3 |% i  e, \  losses.append(loss)
  
5 B8 |2 p  v' G+ v! e. A  loss.backward() # autograd
' v/ N$ M, E7 o5 Q4 p  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
0 Z+ i9 g7 X& c) ?
print(w.item(),b.item()) #结果

* a! i  Q+ C; t1 L" d( Y$ T) `Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
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？
+ D* _" _$ c' w& h# `-------
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
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？
- g) p& f, K, c& f) Y1 x-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
2 d3 Y, H9 ]/ V! }. r/ V# Q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 ...

( I! A- \" n* X+ T: 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。

# i( H- G1 p6 m1 q5 y' D5 U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。

% m7 Z. M" F3 v9 V或者把b但的起点改为1试试。 ...

( [( h; s+ ~7 W) R/ P9 [你是对的。
去掉了随机部分
3 D* U( P* H# q/ Y0 U6 |, A8 y#y = (x*27+15+random.randint(-2,3)).reshape(-1)
8 S+ k* y/ W- A$ S5 f. Cy = (x*27+15).reshape(-1)

1 q% J% J5 M4 L- ~% g+ l! [循环次数加成10倍，就看到 b 收敛了
w , b
* i* ?8 U6 k4 M27.002620697021484 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。