继续请教问题:关于 Pytorch 的 Autograd

雷达

; t$ k" z9 N0 G- v' |! a1 s. |
* P# y% m# I0 |9 _% y' {1 }  H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：
* c" ?7 A: l/ ]- f! ^% L! d# k4 P----------------------------------------------
0 L9 k& A0 e5 `* u7 g0 O6 Uimport torch
import numpy as np
6 ~  c$ }# ~5 P0 Mimport matplotlib.pyplot as plt
9 ~; s. n3 P: f0 C5 kimport random

" K; Q) w* ]3 D8 U* s9 W* tx = torch.tensor(np.arange(1,100,1))
6 S% c/ a( s7 t1 r  vy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
) C1 z  a% g% i
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
* o' \! e5 `# J5 q, D
2 ?' c4 C9 O( o, Z3 @& M  J1 uepochs = 100

0 }8 B3 s4 |* P( Nlosses = []
for i in range(epochs):
9 \5 d2 y# h0 B1 t  y_pred = (x*w+b)    # 预测
$ `! ^/ ?7 l# R! \3 q6 W' w  y_pred.reshape(-1)

3 @( e0 `, v" {; S( T& X+ F  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
8 {7 p1 F( u5 n9 Q7 |  loss.backward() # autograd
  with torch.no_grad():
, K4 B* {. Z+ b; M; x- O. `3 K    w  -= w.grad*0.0001   # 回归 w
: r) P1 h) v9 b) t; d    b  -= b.grad*0.0001    # 回归 b
# ~$ Z7 N% Z: E2 p3 p+ ]  w.grad.zero_()  
6 w! t$ `/ y4 h3 ]  b.grad.zero_()
4 r, \% F9 F! K, ~- k- |
, A' {  n+ p, w) [3 zprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
: L9 D0 q5 H* N----------------------------------------------
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

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。
9 d5 ?) P4 w; B8 ]-------
8 \& j  E% p8 K" _2 A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？
-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
. U5 k# ^" A0 b4 V! J* Y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 c4 J- @$ ^  o6 C

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。
, A) l0 T7 w( }+ }! j/ J* S8 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 ...

# _0 d/ m4 p$ _/ h# `' V
$ h# F! v4 s$ b9 z9 H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。

1 J# W6 g) X; w  i. C& f5 Y; p5 x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
* Y1 j# `% B* T! T4 N- D0 a9 y2 I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。
$ B. u, h8 v( w: ]' Z1 l( A0 y
或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
1 ~& j0 e  x1 P+ f# C/ C6 ]3 C, G- m2 {#y = (x*27+15+random.randint(-2,3)).reshape(-1)
- q  Q9 X* Z" j/ d/ yy = (x*27+15).reshape(-1)
' I3 x+ {2 ^& L3 c* i
. o; A6 A! M) M5 Z: @9 _0 `循环次数加成10倍，就看到 b 收敛了
! P' U5 T4 _* q* ow , b
3 T9 f  z+ v2 R( ^3 K27.002620697021484 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。