继续请教问题:关于 Pytorch 的 Autograd

雷达

/ e7 u( {, ]" |- V$ r  ^8 F
2 S. Y' O* |3 @6 ]3 b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：
----------------------------------------------
! ~& ?! e5 p- a- d8 ^3 N6 |+ aimport torch
9 J" C2 {- {: O7 {import numpy as np
& c  g$ j: E$ ^% S$ T- M  w& pimport matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
$ S+ l9 \: m: M4 h- r8 ay = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

* Z( w  t8 _' |1 P* W, [* t: R3 Yw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
) ~0 w5 |+ B1 t- j% s) ]( Rb = torch.tensor(0.,requires_grad=True)

  c- ^1 ]4 |- I' `0 D0 mepochs = 100

* m" X7 w* O) Vlosses = []
7 m, U6 Z! L  a: e: p& C, d3 C+ Tfor i in range(epochs):
- ~5 N4 z. `5 v6 [2 I  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

# D8 L7 ~* _& p  loss = torch.square(y_pred - y).mean()   #计算 loss
, B% j! B) [4 x- A- G1 U  losses.append(loss)
5 {8 a( _' d) m  
  loss.backward() # autograd
4 s* ~8 V: {" h- Y7 D2 V  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
. h( h; D1 C" h* `$ I4 U/ j    b  -= b.grad*0.0001    # 回归 b
3 N( i5 L0 Y' _/ e$ d! k- {4 A; E& L  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
& V4 i6 L- }2 H+ s4 n/ f
! V' v2 I9 J# K8 Z- N* yOutput： 27.26387596130371  0.4974517822265625
, e' v: W- ?+ N1 i----------------------------------------------
# s) D8 r7 r, T1 x+ P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。
5 G- l; }$ ]6 p- v. ~+ R高手们帮看看是神马原因？
. M4 U; l7 [+ t2 f

老福

& D# Z# B7 V" 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？
-------
, k/ t) ]0 q6 n# }$ 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。
-------
2 q) k+ Q& j1 o$ V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
+ o% L/ ~2 g3 W1 f9 c+ V0 }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？
) s  j3 M. `& b0 u7 |& e+ e* X* _-------
不好意思， ...

/ q4 L. g$ t. {: F4 P# a谢谢，算法应该没问题，就是最简单的线性回归。
# [1 Y' r$ b* b* w, n3 o' E) z7 X1 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

0 O3 w$ X0 d* Z; u: P& q+ |

雷达 发表于 2023-2-14 21:52
# O5 D& v, [, {% [( F8 v. R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 ...

* i6 Q/ Y0 q( H2 ]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
) a) S& j3 p: J' v& s8 P& j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。

, J& J0 r, T7 s/ U8 h" N5 m$ ?或者把b但的起点改为1试试。 ...

! U7 m6 p/ N! a' C6 w7 k1 w你是对的。
去掉了随机部分
# ~8 R0 n" T- ?$ n2 ~$ l#y = (x*27+15+random.randint(-2,3)).reshape(-1)
3 X2 |# {$ L* M# My = (x*27+15).reshape(-1)
% x0 s- \) L- X" U/ W8 A0 C! I2 k
循环次数加成10倍，就看到 b 收敛了
  a4 X) x- P9 a& ], }" Iw , b
27.002620697021484 14.826167106628418

( e7 g$ E' ~# t, }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。