继续请教问题:关于 Pytorch 的 Autograd

雷达

/ y9 g3 m% ^& y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：
* c& P" g5 |2 U----------------------------------------------
import torch
% s& L. C8 O8 [7 himport numpy as np
import matplotlib.pyplot as plt
import random
1 k" S% n' ?4 G+ l
4 @( w7 W4 a7 b3 yx = 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

; C; a( w. ]+ {$ y) w) ~w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

3 Z$ }+ P- z3 r5 I. G- ~6 Olosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
; k" E  `7 l1 ^4 u  v* v  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
1 [: q7 w4 Z# d# Y3 b  d  
  loss.backward() # autograd
6 i. r+ D, u; x  @  with torch.no_grad():
- F6 R( @; z$ x8 v! V0 p- Y    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
% f* S7 p, S* S- z1 p
print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
  M. ]; {1 [! k  _$ 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。
高手们帮看看是神马原因？

老福

1 L! l  l4 G6 Z3 F* N1 Q! I  z/ p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？
-------
5 V5 {$ u: F) k8 f, [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。
5 o- `7 m' Y& d+ O! k) @1 \" `4 T- f-------
2 c( f" N7 _, n8 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
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？
9 w+ V# d( r2 e- R-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
  e1 @* R7 `# p3 e; v/ s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

2 l' Y& \' j5 i; c' d/ i

雷达 发表于 2023-2-14 21:52
8 a3 [& O0 I$ o; L7 z( y; y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 ...

* h; ]' H1 p+ R* u) V; `6 W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。

5 ^% ]2 l9 m. A+ |2 ~或者把b但的起点改为1试试。

雷达

+ P$ v( u. q: w5 U. v$ Y  i

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。

& b# J3 s' d9 O. K- Q或者把b但的起点改为1试试。 ...

你是对的。
# E. i  m) h3 p& \+ V" i去掉了随机部分
4 l1 Q6 j4 S" r6 c3 m5 ^# b#y = (x*27+15+random.randint(-2,3)).reshape(-1)
) C9 A# q0 O, sy = (x*27+15).reshape(-1)
& O" h- r3 \) A; e" _& B
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 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。