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：
% @- i4 A: t: k6 p& {7 J" V: y4 K----------------------------------------------
! s: O8 _2 m7 u: H6 h# Eimport torch
import numpy as np
import matplotlib.pyplot as plt
* _3 F0 W8 ^+ s2 s5 |import random
0 {4 R: i( Z/ D0 l  K( L
x = torch.tensor(np.arange(1,100,1))
. I& h0 ~( h9 c' J+ by = (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)
6 U6 i# r5 q8 x. w( `- d* v# [
$ h& S, w  O/ w5 V& ^epochs = 100

$ L# U; r( u. M# B& h* ]% D/ jlosses = []
% T/ o* _% b0 Bfor i in range(epochs):
( i8 S  s0 T' n$ h* S1 M7 }$ v  y_pred = (x*w+b)    # 预测
6 |8 n/ e+ N$ L  y_pred.reshape(-1)
0 k$ J4 Z2 |5 m- Z+ i
- U, o* ?, \' ?4 W& C/ _1 E+ G" i  loss = torch.square(y_pred - y).mean()   #计算 loss
# z: [7 N% X& t& I* }  losses.append(loss)
  
( E9 U! u, q: C3 Z  loss.backward() # autograd
  with torch.no_grad():
. d/ O+ Z: w" l: p3 W+ E  v    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
" |8 e; e6 c! F/ h, N* z1 J5 C+ g8 K  s  b.grad.zero_()

print(w.item(),b.item()) #结果

, |9 B* \/ W9 Z1 M$ c# nOutput： 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。
  Z  `! v( r# w1 L1 P4 Y" q) H4 ~; \高手们帮看看是神马原因？
$ \9 j8 T# i+ V/ F' D% e& m8 y$ N& q5 _

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？
: P$ b( M  Z2 E" h$ [-------
' A8 W! h/ {3 N6 n  ]  |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。
-------
& w' s# ]7 W; ^0 o/ S3 O: [0 O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
0 Q/ l5 q  g7 L& a0 `3 I" u9 F5 X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？
: G: r' \  f7 Y. _: @-------
. Q# @: z- g( d9 _2 D' B1 Y3 s不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
: {0 C0 F0 r7 i; f4 q( K* 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

% Q- t3 |# ?! _" G! V

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。
. F/ C! W3 |. P$ B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 ...

% S. J, r5 x' e- 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。
: h4 x1 f* i0 T& u
或者把b但的起点改为1试试。

雷达

& b; p# a" f3 |& g, u6 T

老福 发表于 2023-2-14 22:00
0 j% K! f1 ^' N! t8 Y3 b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。

1 @8 ]0 I' G8 b+ l" x, _或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
! B. ]1 T1 z2 e7 {" R( K! d#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

3 a- N- S' g0 _2 P, H! J7 x2 X; j循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
8 Y4 L) v: N" e/ K7 q7 l' }2 Y* b
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。