继续请教问题:关于 Pytorch 的 Autograd

雷达

2 E; U: }5 e( M) @& i
为预防老年痴呆，时不时学点新东东玩一玩。
: |8 I% F9 X4 j- ?9 i' D' fPytorch 下面的代码做最简单的一元线性回归：
& B6 }1 [" G7 B$ {0 l3 Z----------------------------------------------
8 n2 W+ N7 R! g0 }import torch
3 X+ k. B( P7 _" _$ ]; cimport numpy as np
import matplotlib.pyplot as plt
# q& ?3 F1 ]% z& n: _import random
2 i$ H3 S, b2 P3 s5 E% K6 E
, C/ \7 i3 S, `, D# nx = 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
- J8 _$ E: ~* P6 X' Q! M3 B2 D2 n
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
% C! t; G5 I; u" |% g! Db = torch.tensor(0.,requires_grad=True)

epochs = 100
9 N  [8 U! w, z: Z0 C7 q
losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
* S. Z# l5 c! o. Z7 U9 U  y_pred.reshape(-1)
( w. ?6 U; X+ L2 q+ I  g9 i
  loss = torch.square(y_pred - y).mean()   #计算 loss
, r! ~# Q2 M! A& k! k* x, Q& T  losses.append(loss)
  
6 H  r3 @6 F/ W. ?8 X7 Z  loss.backward() # autograd
1 ^9 c" C. ~5 P* ^  with torch.no_grad():
/ C2 b! J% \0 b$ Q    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
1 Y  r1 n! F% N9 y$ a% l9 d4 M  b.grad.zero_()

print(w.item(),b.item()) #结果
0 J3 K. b6 T7 U; C- Q8 y; G& o; Y
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
9 f. W( o8 {# k: K2 Q, C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 z/ W! o* Q  K+ h5 t* N5 }
2 a5 r1 Q- _# a9 C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？
9 ~$ t3 i! X2 x; t  A: Q-------
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
/ v8 E. s/ [: R  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？
  c* M+ W5 G% z' e, w0 c7 m7 I-------
" \1 h! T: O, X7 S. c' q+ i( u1 t不好意思， ...

1 `4 S# S$ I$ M- h+ S1 j  h/ p. y" e谢谢，算法应该没问题，就是最简单的线性回归。
! v( w3 `$ E- d$ U3 D" p" 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

雷达 发表于 2023-2-14 21:52
. q, K9 ~* D, V: V9 [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 ...

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

% k3 W+ G: U4 h* a

老福 发表于 2023-2-14 22:00
5 M' j3 e" n7 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。
# B- K3 Y) n) f; U2 v4 z
或者把b但的起点改为1试试。 ...

9 F! S/ W2 E6 f: [# ]. }
你是对的。
& s- j8 W, |! U2 K" X% g( k3 o去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
$ w- p: V$ R  n9 ]# Ey = (x*27+15).reshape(-1)
& w2 G3 ?9 n& L8 Z4 f
, E3 A) _+ k4 b循环次数加成10倍，就看到 b 收敛了
, n8 t. e1 e1 Vw , b
27.002620697021484 14.826167106628418

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。