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：
" j8 Z! y8 ^# A----------------------------------------------
5 z+ Y; ^  g0 Z7 \- ~import torch
( S$ x8 D$ `  x$ I0 e8 p' X4 eimport numpy as np
5 n  M/ W/ `+ r2 D% P1 Qimport matplotlib.pyplot as plt
import random
& ]! P: L% {) z; t6 S6 m& e2 j8 f
/ W* b- S" ?9 Z- C: h  bx = 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
; z) X4 v2 ]/ {; _4 }# c3 H
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
' a2 c! S) t  Y1 F
4 j8 m& |; H, i- r' fepochs = 100
1 |' l7 o" q, p! _' N, g
losses = []
for i in range(epochs):
1 d! x- y2 Y, H- _2 }0 j  h% P  `  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
  Z, Z5 j) N5 w" }4 i. ~
  loss = torch.square(y_pred - y).mean()   #计算 loss
1 k: P; K! F/ L: H+ k1 C  losses.append(loss)
' Q5 t8 X5 \  S! I2 r# q: f" e  
' L1 O/ f$ s# z% ]9 h# q  loss.backward() # autograd
+ B' R; j0 A3 H2 k! |, O& \$ m$ C  with torch.no_grad():
) K+ G# q; ~0 d$ ]* W2 P/ C- [    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
8 Z- |9 V" i+ _
& w' f3 l$ D- }. t9 c6 l0 s  I( Fprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
7 }" T4 d9 F, C6 D' o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？
3 o# o1 Y; z  Z) h3 Z- f: \* C$ b/ W

老福

8 x. R6 ?% D9 A/ x& S5 e3 J' _" s
$ Q  h$ f9 _5 R2 I6 M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 h0 S1 i0 I5 U- k) v, ~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。
-------
- G; d! @0 S& h! o! H* S/ V2 ^; W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
4 m  B- J: X9 `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？
-------
, Q( a, v: W% a: {3 O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

* K/ j# M5 Z3 s

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。
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 ...

" c/ |( M) C/ Z  ?& M
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
0 q5 N& F6 A% p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。
4 A4 c/ A7 V7 ^# y; I
. I. v/ l6 g4 `' T或者把b但的起点改为1试试。 ...

. D/ ]' E  Y0 b5 c2 o4 h5 N# g
; u; r3 f/ |0 w7 W8 X5 J你是对的。
去掉了随机部分
9 ?# v1 M* ~) f#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
# ~' [; d/ J# N+ L- w. t
/ Z9 w" A: ]  S4 Z" T+ J# m循环次数加成10倍，就看到 b 收敛了
  c0 t$ _$ m+ O# {1 J2 W& lw , b
0 p* _9 m* F3 B1 t6 `  N27.002620697021484 14.826167106628418
/ f! c( c' v- ?# o: d5 O! L) Z$ _
8 ^7 y- ?/ X$ I) J4 e2 E) J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。