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：
- i( P8 r. x( `! @& T----------------------------------------------
( P$ _" ~8 n9 T* simport torch
/ B! N+ N% a- t* g3 simport numpy as np
! l1 ^6 }) W# j) }4 h; J4 D' aimport matplotlib.pyplot as plt
! @" d- W0 e& e& t; Yimport random

: R" A: U  }6 L; n  w! _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
1 J( O) }. A* z6 \1 e7 W
3 u) g' ^" Z  |3 U& ]w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
0 E7 ], t/ i; B5 e  ^, Q# T
epochs = 100
. T- \7 y; A8 p9 _$ v& E& n4 A
8 A* V: i, D6 D+ o% {( T) Nlosses = []
for i in range(epochs):
  T# D4 Y9 t* b3 [* ]4 n$ R6 ^  y_pred = (x*w+b)    # 预测
( O6 R5 G3 O( B0 T+ Q" A3 @  y_pred.reshape(-1)

; [8 k8 ?: e- `' B  loss = torch.square(y_pred - y).mean()   #计算 loss
, e; G7 ?) |  L; {  losses.append(loss)
  
0 F) V3 p" K4 p, u5 D: O0 [  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
. N9 v( l1 o; M8 w2 y, {    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

* G  s8 {2 E5 b9 t+ q7 A, S9 |! eprint(w.item(),b.item()) #结果
9 w% ^6 x" S6 a3 w: |# P9 B
Output： 27.26387596130371  0.4974517822265625
' k3 H) K# t; S. V: g% c----------------------------------------------
8 K8 y' q3 v/ F0 `: f: I0 M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。
" O% t: l* X+ t4 K8 T. }6 V' l% M高手们帮看看是神马原因？
9 X  v4 X7 R7 v. f- P4 g

老福

" |& y: X* B" }  b  P- k/ ^8 e
( z+ W2 g* H+ r& E( F. |- M0 L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 A8 u. l$ ~+ c- a/ G7 y3 U0 S-------
, M* k" N7 U! g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。
3 v/ q# D9 _3 Y( J9 f; Y-------
$ W) ~! D2 e( M- q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
" Q( S* ^6 g1 L& E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？
6 S" _+ a- x+ E-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
7 n. L1 E; }) R" C4 C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
! T0 V2 f/ v4 r& @: i4 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 ...

! a0 o0 d! y7 o
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 m+ z6 }3 e, q# R( d或者把b但的起点改为1试试。

雷达

( b/ W! ~7 U0 O

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。
! X  w' r* _9 V. g8 T4 w
) |) y8 g( W/ }2 i; P或者把b但的起点改为1试试。 ...

4 E" d, H* L3 L6 Q( H你是对的。
, y& C7 i& W" R! A" Q% a去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
: {7 y( L; G, E" fy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
# K& I1 ?3 v; u9 N$ B2 ^+ k27.002620697021484 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。