继续请教问题:关于 Pytorch 的 Autograd

雷达

7 v3 X3 z. ^! ?0 M( S
( Q- O/ H0 W7 s- \1 a' T0 J  ]为预防老年痴呆，时不时学点新东东玩一玩。
. h) m, r6 B4 H" k5 j0 \Pytorch 下面的代码做最简单的一元线性回归：
. J+ Y$ h1 H1 \' P) |1 P. O----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
import random

. Z4 N" ?. x" M, b& [! p  px = 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
8 g+ `; y- B0 u- I
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
; c% }, R  o& L8 h$ ?
epochs = 100
5 x. e9 D8 O* ]5 P
" E6 C0 `" y0 C, c* y. [/ L: hlosses = []
. X+ q2 v; j3 D7 u$ Hfor i in range(epochs):
2 z. C. f4 @. X. w  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
) J" z' t9 _" I/ r1 S8 J' v1 y5 V
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
+ L  X3 G2 M! J  
7 _0 z( y) e8 c" p  loss.backward() # autograd
  with torch.no_grad():
4 c- ?9 t# @0 i" Z0 A3 L' _    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
9 L) q1 h  [/ G# y  O" P  w.grad.zero_()  
1 b1 Q  h9 F5 u; T  b.grad.zero_()

print(w.item(),b.item()) #结果
0 l7 B, D( j$ |& F
Output： 27.26387596130371  0.4974517822265625
* |1 \4 d4 a/ v----------------------------------------------
8 m! |# U: {- }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

# R/ Z& N  Z7 G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？
-------
$ ^! W1 ^! U  S7 R6 s) C. B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
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？
4 u- I( p* ^* B( f+ F! _-------
不好意思， ...

# S. v( T) L& N7 h. Z3 A' k8 m: n谢谢，算法应该没问题，就是最简单的线性回归。
( I7 \" J; ^7 h# a( m  t$ ~# L! r3 j0 K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
谢谢，算法应该没问题，就是最简单的线性回归。
+ o5 a# G* Y4 [& h1 ?& X1 t% a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 ...

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

' K1 M$ |% j; M, F

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。
6 s  z( ^6 h- d& P/ t3 @. m
或者把b但的起点改为1试试。 ...

* w+ |+ C6 o3 A1 c; u2 y
你是对的。
去掉了随机部分
! l7 ?0 A; M, A3 G3 ~+ \#y = (x*27+15+random.randint(-2,3)).reshape(-1)
- p# F, ?2 n& G" I, p1 Ry = (x*27+15).reshape(-1)
& _& M- C9 W! t3 g2 }  w
7 y" Y9 L1 p$ O, A6 S3 A$ l循环次数加成10倍，就看到 b 收敛了
# r2 |/ c3 s0 ^) {9 e* aw , b
27.002620697021484 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。