继续请教问题:关于 Pytorch 的 Autograd

雷达

2 s1 `. V6 a0 v3 [
为预防老年痴呆，时不时学点新东东玩一玩。
* U' W/ G- v9 l6 Y6 ~! b' v8 S0 n" CPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
- t( G- B0 i1 }/ |9 J5 m- }import numpy as np
import matplotlib.pyplot as plt
import random
$ T, y4 |. T3 O  {! p. b
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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
& \- a' Q( r  K3 wb = torch.tensor(0.,requires_grad=True)
' n0 u/ B( s) U0 F+ M8 M3 X
1 q% D. O. \! F" J1 l0 W& w0 Eepochs = 100
- I0 S9 B) o; J( R! m2 ^1 `& @
losses = []
6 r" S7 T! A" _7 R$ jfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
2 H( A* F6 D) U4 |/ ]
  loss = torch.square(y_pred - y).mean()   #计算 loss
4 _/ x9 w* k0 W6 P  losses.append(loss)
8 ~3 B' U8 f/ f  
. k/ E6 H3 s, E( W- k6 X1 k8 b  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
) S& h; `% a% c& W    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
6 d  p9 }) b; C2 ]  b.grad.zero_()
0 K9 l1 D( P/ n3 m1 C& v, Q
print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
9 ~/ I0 x+ v. |----------------------------------------------
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

0 J% }( s# K( ?& R$ [
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？
/ @! j- L8 f7 \( P9 F2 x! z1 ]0 h-------
, g( ?" U% f: D$ D  s; J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。
5 n) z6 g3 P) {- ?-------
8 L6 b4 D) d9 N6 h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， ...

( F; @8 R; Z% j2 g9 @8 b2 w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

0 e# `, G& }! Q$ D. T' n

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。
0 P( E( V9 ^2 P/ i2 H4 o- M* d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 ...

. w) w% R1 Y* f
& R4 X' e$ K1 I1 W: 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。

8 t6 g$ y/ ]+ t% A2 `# ?* B& H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。
$ A. E/ t: }% I  \! f8 i6 v
# F3 o7 l1 G9 n) u3 {7 |或者把b但的起点改为1试试。 ...

: G+ r- d( `+ ]. t0 r2 s
你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

; B6 ]2 x0 s3 \* H! L- {循环次数加成10倍，就看到 b 收敛了
$ L# D5 |, W# v' X; {( P: R7 |3 ?w , b
1 s) N+ T& }. r5 e' R, Q8 e27.002620697021484 14.826167106628418

* Z* u& ?  h- [6 g1 S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。