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。
% F: v: x" B0 f) I9 ~+ @$ m3 M; IPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
9 y/ Q8 L; a; l$ a5 Z& q  x6 ?import numpy as np
import matplotlib.pyplot as plt
import random
) w! I$ ^$ s1 i5 d! E* g  Y
2 M7 x. o% [; o5 wx = torch.tensor(np.arange(1,100,1))
& h5 c+ z/ A4 x. U+ ]( ny = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

0 M8 P1 J2 F- q3 P4 p( h5 fw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
& T' X0 q, e" w8 Q" zb = torch.tensor(0.,requires_grad=True)
: n6 m8 }, P& ~2 Q2 y4 M4 [$ K; d
epochs = 100

( A' h% Y$ S* R- D1 z+ A( C5 k3 |  ^losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
9 v% D, j* x) Q9 o  y_pred.reshape(-1)
' b" Y' p1 Z: `7 Y) v9 T- x
6 [, `8 y  _' t0 E5 v  m' b7 l  loss = torch.square(y_pred - y).mean()   #计算 loss
7 f" k) y! v1 O7 [+ W  losses.append(loss)
8 m" `% Q# \$ v* f1 c5 q  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
2 L4 b' a8 p" t. P5 O    b  -= b.grad*0.0001    # 回归 b
) q; D& z0 a. `& b, P  w.grad.zero_()  
4 B/ B: a0 b' w  b.grad.zero_()

- y* K7 i7 g8 f7 _print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
: g2 }, o, b. V6 }8 Q----------------------------------------------
; W+ T( p: _' q% i6 ?2 H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

$ Z: K* L4 }; N8 z3 k
/ z/ \1 z* Y5 u% F$ D# Y% }4 c6 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？
-------
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。
-------
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
# h- @7 F% ]7 q, D. @6 z, }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 r1 m2 E1 ~/ Y6 R-------
' h, }* V! f0 V7 G. _不好意思， ...

! X5 S1 q( a; Z2 O谢谢，算法应该没问题，就是最简单的线性回归。
/ a( z" E% I! J" a' E1 c& t2 n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

6 ]# k" v. A3 o% b7 O

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。
( X) t! V: u/ ^. B  Q. @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 ...

: g- v9 }9 p6 e- e
# Z  y" q0 j1 W% A6 s) f% z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。
; G. A& E$ h3 _; Q+ E
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
: o. a; t% H# V# o9 }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。
* c; X/ v) D3 R6 {. A) t8 `- y; B
1 H/ R1 U3 E8 G' B' p/ M或者把b但的起点改为1试试。 ...

' V! M, f* T4 d你是对的。
  e& p+ L' ]) q+ i3 _* s去掉了随机部分
8 k3 v. r: z# m+ T7 X6 s3 N- w#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
" _8 P* Q/ r9 w' o- d+ \& h
7 s4 O' s  E/ d2 N' H+ `  U6 S( p7 w/ g循环次数加成10倍，就看到 b 收敛了
- ?5 v1 ^0 D0 bw , b
( z5 M: Y6 _1 c, }27.002620697021484 14.826167106628418
9 J4 }6 m+ z- g; C# U
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。