继续请教问题:关于 Pytorch 的 Autograd

雷达

6 s6 q  N: D# ~6 |+ o
1 P; h5 f. g2 E; {* W/ Y为预防老年痴呆，时不时学点新东东玩一玩。
3 a& c/ ^2 x3 V" F% k% c8 kPytorch 下面的代码做最简单的一元线性回归：
  b* G9 K  m0 d8 v----------------------------------------------
5 i; G5 \) l3 ]( @$ himport torch
import numpy as np
6 c+ U& S. z2 w- n! O1 qimport matplotlib.pyplot as plt
import random

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
$ ?% F- D1 p  `1 l4 X; Q0 d" M
  u8 i* Z" y$ G. x: ]" H, w* o5 |losses = []
$ V4 E/ o- N- f1 O( ffor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
8 U9 b9 F5 x# a) M- \: f8 u% H
& u3 \7 c, g1 l5 m% W  loss = torch.square(y_pred - y).mean()   #计算 loss
6 k7 R  V- h' u: W; T  losses.append(loss)
  
5 _  O! s4 y2 i" W% {  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
( }) L- d$ m! r    b  -= b.grad*0.0001    # 回归 b
2 j  F0 u' p) p. ^/ x  w.grad.zero_()  
5 T9 V" A) {$ S9 ~  b.grad.zero_()
1 J) Q1 L& F3 j. K1 }# I
print(w.item(),b.item()) #结果
9 g5 d) k% @2 f
. K3 Q- A3 j1 I. p8 F4 qOutput： 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。
1 X* n7 a( f1 \1 U高手们帮看看是神马原因？
+ e( {6 C3 U: r

老福

8 K- q" J/ V3 v6 b" x; I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？
& \6 o1 t! H+ }0 A- P-------
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。
3 i  C# \$ l* G; C) g( H- T-------
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？
6 {$ m1 B! t5 f: n$ k( y-------
; k, z6 p9 G( `$ G* z* E+ n不好意思， ...

7 U; i' a9 \" u1 [8 D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

; f, W, R# M8 c

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。
: w' j* P# L0 D3 I- y/ m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 ...

5 M) _; k% H( m! K  S" V
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。
& ]3 G: l2 A. o8 h5 N, f% a
或者把b但的起点改为1试试。

雷达

1 p# P; Y) H5 u" j: z3 U

老福 发表于 2023-2-14 22:00
7 i7 U: m  P  N) i8 x7 {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。 ...

7 g- B: |7 K" J) s. N8 x9 S, ?0 r
你是对的。
! ^5 _7 s* _- i. }去掉了随机部分
) y0 S3 j1 I# u5 k! h2 I& E#y = (x*27+15+random.randint(-2,3)).reshape(-1)
& ^" K- T, ~: jy = (x*27+15).reshape(-1)

, S; f# I! Z, ]7 d# t, S) B) T循环次数加成10倍，就看到 b 收敛了
. v0 h- f# p5 M( r1 t# F& |* b( j  X% W) vw , b
27.002620697021484 14.826167106628418
6 @% O0 U* A; s) `. H. E- O
0 C3 s! k# n# c5 Q' S) M5 i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。