继续请教问题:关于 Pytorch 的 Autograd

雷达

% |6 a3 ]1 i/ `' f) n1 S( {/ X
为预防老年痴呆，时不时学点新东东玩一玩。
; w$ J9 J# w, _) cPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
) \2 N- w4 d: K  x6 yimport torch
% \! A5 g; E, {. _) S% t- yimport numpy as np
import matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
% {. O" b! p% i( I' w, s" {y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
5 v/ u+ ^- ^# y  v" M
! ~6 s) b- |: d9 Zw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

$ t% w5 o: z  U6 Z  Qepochs = 100
. J( x* ]3 E& V
9 i8 l1 h7 g, I8 \# I3 H2 Q3 b# @losses = []
, I% Z( i2 R! O- I# Gfor i in range(epochs):
9 n( F! ~1 G1 Y. p* Z6 F" t6 g  y_pred = (x*w+b)    # 预测
  v. B$ o  h; K8 g  y_pred.reshape(-1)
% j2 o7 {) y  g3 p# U& G9 n
1 E2 m! b% X4 O- e6 C  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
; K( S$ e; I' S  with torch.no_grad():
$ G& I$ y1 _3 `$ A: Z    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

5 D( r! Q3 L0 Fprint(w.item(),b.item()) #结果
9 x9 A+ {/ M6 d  ]
Output： 27.26387596130371  0.4974517822265625
% `( Z6 E, G% a" p, H" }4 d----------------------------------------------
0 Q9 F5 G8 q8 C. ?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？
! X/ H/ Y: v6 Z. |) @8 L" s

老福

$ B# e. ^1 L- x+ ?: x# c: i
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？
) M$ U1 S4 y- p; E3 q5 h& Z-------
' t9 `. x& d9 W4 b  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。
-------
* f& c8 r. g5 e7 E' X9 w5 K  r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
# i* r0 \7 Z/ X( s$ }1 V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？
- G% T$ }9 \: {1 ]-------
6 n0 W7 X: e8 O. {6 @% H/ C不好意思， ...

4 l- v2 Q  J9 D% `% f! v谢谢，算法应该没问题，就是最简单的线性回归。
% J1 Q( a# _( C# f% M) ^3 R2 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

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。
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- A7 |+ d4 A- W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

, E4 a9 x$ Y4 C* W5 E

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。
) U  s2 A! C0 c. f  e0 d1 V/ Z
1 w+ @' F- E  i- d3 g8 m或者把b但的起点改为1试试。 ...

) D. a5 c3 t5 b4 J# m) Z8 n: Y
你是对的。
: z0 f  \) }2 d0 u& a7 Z! j# K# T去掉了随机部分
* o+ k3 W: ?# X#y = (x*27+15+random.randint(-2,3)).reshape(-1)
  z( W* t5 U  _; s9 yy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
6 N4 [9 O% M9 z- V& U- zw , b
$ e* T) X' d5 L5 a9 W6 p% m8 U27.002620697021484 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。