继续请教问题:关于 Pytorch 的 Autograd

雷达

' x' P3 ~! H7 y8 Z5 K; F& j  o
" P. ?6 D7 n7 l, c$ S* K为预防老年痴呆，时不时学点新东东玩一玩。
) D7 m  d( r  N7 p8 U" rPytorch 下面的代码做最简单的一元线性回归：
, D2 O9 Y$ n3 x( R' U- r----------------------------------------------
: J: w# K8 R5 L9 w1 F6 fimport torch
import numpy as np
import matplotlib.pyplot as plt
2 S; L* j- O4 G  S0 V7 Iimport random

' e0 }; z. j- @8 wx = torch.tensor(np.arange(1,100,1))
2 H4 j. X- b& T3 w/ Vy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
0 X5 E  J' r" o' N, K( y
4 P4 d# \9 d7 b/ W% G1 I4 n8 `; Q' Jw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
$ ?5 N: A& j9 h1 W% L, _" Sb = torch.tensor(0.,requires_grad=True)

+ h# K3 Z! F2 J4 Tepochs = 100
# U2 n# ?+ m$ d7 K
losses = []
for i in range(epochs):
) F; g% u) F' N+ h9 q3 z$ N  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

' o( V5 l- g2 i  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
( `1 U- D3 ^, z$ K( @  
: }8 i. L1 T7 j$ T  loss.backward() # autograd
. j- E8 K; ^& ]6 q/ p' W4 V* `  with torch.no_grad():
( r1 P% A& q0 V" |% ?# C/ N    w  -= w.grad*0.0001   # 回归 w
% z$ l. r9 K+ S+ z: c, M1 \    b  -= b.grad*0.0001    # 回归 b
6 b' b8 g) }  _; R  w.grad.zero_()  
  b.grad.zero_()
: J% s# S5 P2 D$ Z! }
print(w.item(),b.item()) #结果
$ R3 K- r7 s2 j4 E& T% E
% j  ^  E6 v5 cOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
8 Z8 o$ X. o6 P& p1 ^$ z# @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？

老福

3 H' Y! q- |7 B& y0 o/ W' _
: d5 w+ U2 z5 I* m6 f* P* W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# Y/ O' ?$ P; X) q* b/ v$ y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
/ [8 K1 y6 O7 q1 S! n' I9 _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？
-------
4 _7 B1 }4 H- {7 B0 a6 @6 v( v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
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 ...

) ~( s# p* a( V6 Q
. J+ N2 I3 G3 E& E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 _# l, C* g: o* u或者把b但的起点改为1试试。

雷达

, A" \9 A/ C( T$ P

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。 ...

; f8 U' n2 i* @4 m: `9 Q
% Z& J1 y# _/ ^' ?3 T你是对的。
2 D- l; B. o6 j* s' Q  K去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
1 N# J; d& F8 [* Dy = (x*27+15).reshape(-1)
' v* v/ V3 V+ Q6 z5 ?7 l
循环次数加成10倍，就看到 b 收敛了
/ P5 k8 ]. w# F2 Bw , b
, y! {( X! ^+ e- f1 l! E27.002620697021484 14.826167106628418
4 v) B7 {8 V1 R6 i  g, R
. r$ `! s8 f$ `  c% t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。