继续请教问题:关于 Pytorch 的 Autograd

雷达

5 }( y. q- P  h9 x% t- F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：
( o) _- @$ g9 O- Y  ?; _$ T2 u  z% G----------------------------------------------
. [  u8 w0 ^6 W3 Qimport torch
import numpy as np
import matplotlib.pyplot as plt
6 Y9 j4 f' ~4 |( q; zimport random

x = torch.tensor(np.arange(1,100,1))
) Z. x3 U( X/ h/ i( yy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
& E/ `) s6 W4 A) |3 ?) q
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
7 {4 D3 A8 x0 d$ y( a/ b! K, x. Cb = torch.tensor(0.,requires_grad=True)

; R) ]+ K# \# ^- n/ b; `3 O9 iepochs = 100

9 G7 _0 |' u7 g1 y$ R5 K2 u5 |losses = []
- V4 w5 A/ ^6 y  a5 `for i in range(epochs):
  y_pred = (x*w+b)    # 预测
+ f1 R. B% h* `: P8 N+ b. N  T  y_pred.reshape(-1)

$ k' N$ i1 I& [# g7 w/ ?- o  loss = torch.square(y_pred - y).mean()   #计算 loss
: H7 [; p& I1 U5 M  W0 K$ R! U  losses.append(loss)
1 c/ O- i4 z! }! x  
1 _! r" J% X4 m* n" e# e# d/ J4 U  loss.backward() # autograd
, C+ I; ?4 Y' w# z  with torch.no_grad():
) m4 k- J- q, S3 J% I5 H2 r    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
9 z0 l9 ^; j2 e$ ?/ X! \0 U2 h  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果

% U- I( S  L# T9 M% YOutput： 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。
& x6 {6 @" o: b% ]( H+ `2 r+ s高手们帮看看是神马原因？

老福

/ _% {1 T) E* J% r+ e# B
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？
-------
; y  j3 \) T% J* B  C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。
# |7 ?* X  ~5 E0 p+ B  f! B3 V" j-------
' c8 k" u6 t$ x0 `/ Y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？
-------
3 O; I. T0 v& o: j$ j( |不好意思， ...

& o  y+ H0 l$ T  m% g3 u* ^谢谢，算法应该没问题，就是最简单的线性回归。
. R5 L: J1 z5 t9 H4 A8 _' \+ g, M0 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

雷达 发表于 2023-2-14 21:52
1 }" r2 Q, i7 i& p; u& N谢谢，算法应该没问题，就是最简单的线性回归。
. `7 i8 b0 T# ~5 m5 z0 @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 ...

1 r6 a0 R" N8 X3 p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 R7 [( i+ t" Q% n" Q或者把b但的起点改为1试试。

雷达

  e1 O" ?' P6 g( @  u+ I2 j

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。

; R: r% c/ _- Z& _或者把b但的起点改为1试试。 ...

# M, h9 v' H: |+ z7 O  e
) a! e1 d+ O$ B. C+ z+ O# A. Q* e/ d你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
2 B' J5 ?- g$ m" }' {* E
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。