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。
2 I- w6 G% Q) ]! @4 f3 q! gPytorch 下面的代码做最简单的一元线性回归：
" }8 `) l. |* P) n/ Y----------------------------------------------
import torch
import numpy as np
import matplotlib.pyplot as plt
! A+ @: O2 ]4 I2 Cimport random
/ E) K. p4 c3 G# g4 q. W4 K
  ~/ a$ W4 A0 [3 B, dx = 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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
. B* j8 s% y: f* s' v1 a& K3 I4 c  Xb = torch.tensor(0.,requires_grad=True)

epochs = 100

' t- ], W/ g! e/ L1 R% S; Vlosses = []
4 k# Z, ]$ Y3 bfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
" O  R* m' e, v6 K( o4 U
0 `9 X- u. V, ?( O  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
0 t! Y: L: n& |+ e5 d) B' u  w.grad.zero_()  
  b.grad.zero_()
+ c& N; F, z3 l6 n8 ~
print(w.item(),b.item()) #结果
/ N- |; @" W# ]2 T( p' A6 U
Output： 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

% v( V4 }  m- U3 N% u' h! C' 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？
# }9 ?% W$ |8 p" U2 m-------
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。
-------
7 M5 J3 o9 {7 |3 R9 d/ G5 O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？
' z5 T; t) N5 Y  B1 `8 \-------
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

雷达 发表于 2023-2-14 21:52
* X: p, [7 k5 M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 ...

/ n5 K" B7 Q+ {# _, @) }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。
) j3 A" n; n4 a  k$ b" c. G
! P% c2 s. `' c2 N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
4 }$ ]; N- ^+ p& B+ c, |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。
8 I+ {5 q5 F7 o
或者把b但的起点改为1试试。 ...

, {! j" Z" O5 W  M3 N" j你是对的。
& j6 `4 j+ g/ L0 D去掉了随机部分
" z4 p# |4 k) O( L#y = (x*27+15+random.randint(-2,3)).reshape(-1)
9 l  e0 X1 M5 ?1 }4 E5 ^1 K" Qy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
2 `3 Y1 X) G$ d7 ^' Z: p: c6 Z" v
2 @0 I) X6 v( f' |! I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。