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：
----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
+ \7 E$ @* w+ W* C/ Eimport random

x = torch.tensor(np.arange(1,100,1))
; N- i1 I& p( I) Q* _8 Xy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
/ D* \2 h" s' z( k9 |
) L; N7 C- F5 i( \8 A, mw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100
, f* n$ ]0 ~0 j1 d& h
losses = []
for i in range(epochs):
1 E% K' _2 [$ C- N  y_pred = (x*w+b)    # 预测
- d% h) }. ?* Y/ P' K) X7 ^  y_pred.reshape(-1)

5 K5 Q9 W* v6 V6 V( Y- L; d% P  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
, M3 H8 g( D# k& Q  
: h1 P- u9 Q# k: m7 l9 x  loss.backward() # autograd
  with torch.no_grad():
. U6 V' E2 V. x! h: B9 W5 Z    w  -= w.grad*0.0001   # 回归 w
" t+ l/ ?$ f4 s2 ?- C- f    b  -= b.grad*0.0001    # 回归 b
1 `  K) W/ f% o; D  d' r5 J' h: Q  w.grad.zero_()  
  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。
; q! E$ h( p% a高手们帮看看是神马原因？
4 z0 h1 D- N' E

老福

; {6 R+ w. ?, n. V2 B
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？
-------
2 d1 S$ ?. ^3 h. W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。
  b  Y. i6 P% K& C6 ]( ^-------
( [: r* g; y4 x/ x2 S- A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？
& z' H5 ~" e& |-------
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

3 T4 E1 g& ~8 L) W) B! f6 F

雷达 发表于 2023-2-14 21:52
$ B, c% |0 n+ r5 F3 V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 ...

0 x1 a6 ^" m5 h, ~2 |9 p. c8 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 s, @( e0 c* G( v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
/ R/ i0 f2 e( Y+ `  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。

5 w( c+ L7 H. J; o或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
. q7 x6 M* L  w  a+ Z$ [) {& U#y = (x*27+15+random.randint(-2,3)).reshape(-1)
0 Y& {5 U/ _, sy = (x*27+15).reshape(-1)
; |3 i& x2 w" y- v- m
: G# A' i$ S$ `循环次数加成10倍，就看到 b 收敛了
w , b
; t5 r7 \. H9 {4 s+ l5 m- L% |27.002620697021484 14.826167106628418

2 k) c; ?6 V' e9 P. w) B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。