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：
----------------------------------------------
import torch
import numpy as np
+ J- H' W' n! w& }import matplotlib.pyplot as plt
import random
" f4 i. W( `! ?* L4 M- Q
x = torch.tensor(np.arange(1,100,1))
! ^) W6 K3 e* M8 i) ^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)
1 K0 m, v( n& v! _" q
3 j/ S* w! P/ @! e3 V1 u- vepochs = 100
/ {0 O1 v. N+ h; p
losses = []
for i in range(epochs):
9 A3 w% V) [1 m  y_pred = (x*w+b)    # 预测
7 C2 g0 j, Y- z) v! e7 ]8 d1 p  y_pred.reshape(-1)

  J1 O8 Z0 n" g6 \3 {$ x. x& I* W  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
/ `5 t5 m* P( M  Z    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
% Q: c: g- i/ U6 X
8 H# S' ?* b7 oprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
4 Q  H. M% W$ a5 u3 G----------------------------------------------
7 T  w6 y0 L% K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。
( l* ~5 [$ ~9 t高手们帮看看是神马原因？

老福

* P3 `1 X7 n$ H+ ~  ]' c
6 e0 a, u* X- k, G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？
. r( d6 V, I) R6 f-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
' k$ r/ P, W" d) p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 e; M) i2 ]! J7 {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 ...

5 H& n/ r8 X- z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

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。

9 n' }8 q% d1 Y2 ~9 }或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
8 ]2 M# g" ?* C$ L) _5 Z8 D4 y5 c#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
! k, t1 g2 U) D) w0 fw , b
27.002620697021484 14.826167106628418

/ w( M; H7 A$ O+ P4 L9 w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。