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。
  j# W, B1 ]- r  x9 q0 hPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
: w3 D- @% u& F4 l& L  z) T% Zimport torch
+ H$ N& C9 l. t# z) ?9 h9 Zimport numpy as np
, z, \2 G6 k% X! V" `0 _5 e( Ximport matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

0 c. k" u4 h8 x8 o. T9 H- @- Q# jw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
, p/ E* a+ N( O  t1 L* i1 Nb = torch.tensor(0.,requires_grad=True)
7 v' r3 J6 D- @' @0 o* }
6 M& Q( J" w7 t5 {epochs = 100

losses = []
1 A0 C! b0 ~$ h# Cfor i in range(epochs):
" @8 K* o; k1 d  y_pred = (x*w+b)    # 预测
9 F* F; E, p4 x9 I  y_pred.reshape(-1)
1 o6 c1 N7 k7 ^
! V: S' T3 f3 n# K0 r& p( |$ m2 X  loss = torch.square(y_pred - y).mean()   #计算 loss
; P# e/ v2 S$ O6 y6 G  losses.append(loss)
/ M. G1 }7 `$ u. ?9 T  
+ z9 j% X3 F0 a  v' b9 s  loss.backward() # autograd
. \8 U5 }7 E  q( {* u: w" L/ p  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
* J" B% p: K* g    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
& E- P9 j  o8 j6 q0 b2 D3 T, k! I  b.grad.zero_()

print(w.item(),b.item()) #结果

Output： 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。
高手们帮看看是神马原因？
% h# w* m, U! n" T6 w

老福

1 U- j* b  s! }/ f: q% p7 x! P. Y" @
# X2 {9 }2 ~/ Z5 x, Q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？
1 S2 O/ B9 {, d+ 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。
-------
8 p$ d4 d$ b) `  X0 p- p7 c; x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
; i% W! O4 C  c/ J7 J3 m, {/ T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？
" V/ Z3 j4 N+ I) }: N8 q-------
) s$ @. w( W1 V4 D, [不好意思， ...

5 P. }: K$ N+ B0 ], e' t* R# p谢谢，算法应该没问题，就是最简单的线性回归。
& Q+ ?6 J# r% N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

& H- V' c7 m" ?: {/ t+ `

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。
5 F- B; G* O  ~! x$ u: g4 Q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

: d/ ]$ e+ X" R3 Z

老福 发表于 2023-2-14 22:00
. D8 v, T1 @. k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。

( E5 b/ H- ^$ a# X4 d或者把b但的起点改为1试试。 ...

/ M- M0 ?! f2 A7 I# S+ K你是对的。
- g7 o; P1 `. e% j2 e- `9 y) q) d去掉了随机部分
+ Q! K2 M( f1 M. L#y = (x*27+15+random.randint(-2,3)).reshape(-1)
! K, A2 n( |* Z2 D. Ry = (x*27+15).reshape(-1)
6 V- L- i- a) V" z
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
, s# l2 g( T$ F
4 S& J, I, j; q8 V$ \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。