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：
/ \" n" s$ K; R& N$ ^# J----------------------------------------------
import torch
import numpy as np
6 A& b6 r9 N- l1 N: s! ~import matplotlib.pyplot as plt
import random

7 _- q" w! X# T5 H$ _0 x1 _6 px = torch.tensor(np.arange(1,100,1))
) Y) d' t: a9 O# A5 I8 c$ H7 }y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

/ r5 R/ \$ k9 ^5 N9 N0 N  l( ~w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

' E5 O) D) r  {+ j/ Q* Jlosses = []
8 c3 K  K! w' ^for i in range(epochs):
3 U$ a  W9 h9 P( b+ H  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
. X" j) n% N. ]- G. l( e
) J$ A$ [% E- f: R: O: n5 w  loss = torch.square(y_pred - y).mean()   #计算 loss
: @: A* v+ ~9 |$ C& g/ u  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

. o  u$ |! U1 l' f7 f: ~( Nprint(w.item(),b.item()) #结果

1 H1 d0 N% Y, p! z) x/ tOutput： 27.26387596130371  0.4974517822265625
+ S$ c1 ?0 b. M----------------------------------------------
$ S4 z) Y0 K. e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？
9 R1 a4 Z% B) H7 D: [# |4 p+ J" t

老福

1 C: b/ U$ Z. H7 _* o8 y% y& _* J& F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。
-------
; T/ f$ O% G1 w8 ^, D. i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？
-------
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

8 N: q1 R7 o. U7 g

雷达 发表于 2023-2-14 21:52
7 Q- B6 Q$ G. Z3 t( t) z, N谢谢，算法应该没问题，就是最简单的线性回归。
/ _0 p2 g  a# g9 T+ ^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 ...

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。

. \+ W2 j7 t7 H* p$ `6 P& H或者把b但的起点改为1试试。 ...

( \7 y% A$ _0 M你是对的。
去掉了随机部分
* w; q3 H% b/ c0 u* O  U0 v4 ]. o3 x! |#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
2 W  Z% j2 u) t0 b" R: Lw , b
27.002620697021484 14.826167106628418
4 x- D7 c& T6 ~" w9 z* ?
) x" W$ R, `: {% [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。