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：
$ o; d6 _5 Y4 V! w1 U----------------------------------------------
import torch
4 g7 O1 T, a. q! g' U& Uimport numpy as np
import matplotlib.pyplot as plt
import random

5 @% C0 g# C( Qx = 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
+ A# t" G$ `% `/ r: T( E
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
+ ^- {: I- j2 |* K1 u( jb = torch.tensor(0.,requires_grad=True)
$ x$ ?4 I; I9 A2 A4 z$ Q$ `( j
epochs = 100
% w4 N) |( J1 g- p* K. i
losses = []
$ J& y( e+ [! Y) I9 Ufor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

2 _1 J( c$ v9 o. ]3 o$ {, T  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
# J0 J" }  Y( w' G, T  with torch.no_grad():
3 [6 u; m& r' M) ?1 z. a, A    w  -= w.grad*0.0001   # 回归 w
( g# Y! b% f- ^6 j' z    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
4 ]- n$ N% D' d& [7 e5 u  b.grad.zero_()
  c5 }" W/ [7 ^: J& A5 e
2 s/ V" y, k5 v1 P0 Lprint(w.item(),b.item()) #结果
; D8 C" ?8 |& m: v" i! r% B9 }4 m# _
/ ?7 P& M- U0 dOutput： 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。
高手们帮看看是神马原因？

老福

5 ?$ J6 e: j1 T
5 D" {. @! @8 P) u& t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。
-------
% U) g  C. h) ?" M. M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, u7 }6 z! V-------
) ^9 }- V4 g" {- 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

9 E& v/ o  X: J; Z

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。
0 ~2 p) c( m/ E. ?4 v0 }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。
! o( u8 S0 A7 a, Z: w. A
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/ [9 D  }" N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。

- h' e$ }% W3 P# U或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
  l+ i( F( _4 i: P: N#y = (x*27+15+random.randint(-2,3)).reshape(-1)
# p  Z8 ~& \2 N7 _y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
$ u5 L2 U5 y! t, p/ x, Kw , b
27.002620697021484 14.826167106628418
+ s+ {, A2 O, p  |. X, 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。