继续请教问题:关于 Pytorch 的 Autograd

雷达

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：
! i) F& z5 ?8 @4 v, }0 \/ }----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
import random
  \; H/ V( b8 X
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
, `9 c+ [2 {; O1 J& m
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
1 s- c" ~$ ?  Xb = torch.tensor(0.,requires_grad=True)

epochs = 100

9 @; _# N7 ]( J1 Q: _- E7 Vlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
, F/ ^  u. U; v  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
7 F$ C8 e# W# L: Q3 t1 K$ X* ^    w  -= w.grad*0.0001   # 回归 w
) G. N/ G  W" j/ Q+ M  P5 {; h    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
: p: U1 N8 Q/ N  b.grad.zero_()
2 C2 Y) ?6 ]* W8 B  Q
print(w.item(),b.item()) #结果

* \+ O" G6 r: ]) J% S# S1 j: {Output： 27.26387596130371  0.4974517822265625
+ Q& e" {% E$ b----------------------------------------------
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？
9 o9 i: P5 S) ^: ?

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。
-------
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？
- |, h  P' F/ m5 R  U. e-------
3 x0 q7 \" z8 l6 \, F) V: o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
7 y6 i+ o6 [2 l& q$ E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 ...

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

3 [' y8 m) U9 H' k' ^! W

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。 ...

你是对的。
7 p% L( S) C# v; @/ x去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
  K& N; K3 ~. V% ?3 p& Hy = (x*27+15).reshape(-1)

" c  P6 P+ Q# W循环次数加成10倍，就看到 b 收敛了
$ u+ y. L3 A5 y# }7 Y! Uw , b
& R# N2 V3 M2 c" u& Y27.002620697021484 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。