继续请教问题:关于 Pytorch 的 Autograd

雷达

( u+ G7 `+ V. }. m2 O' i) q
为预防老年痴呆，时不时学点新东东玩一玩。
& t" Z! R; B" N; o7 TPytorch 下面的代码做最简单的一元线性回归：
+ C2 ~$ v7 ]/ H  @7 B2 ?----------------------------------------------
import torch
import numpy as np
' M4 Q- u5 R1 m; E$ N* aimport matplotlib.pyplot as plt
* M+ n  h3 G  e. e* limport random
3 w# a8 z/ o, k
. y# M2 X+ _; ~. E7 l1 wx = 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
0 o8 `0 |: ~3 R' b' h/ y" D& I: p
) F3 {2 r- F' O1 j( Q5 [2 p$ ~2 o2 Gw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
* A$ ?- {8 Q( ^6 _2 m# [- e% j
epochs = 100

  \9 r/ e" _6 n, {; U  nlosses = []
; Z0 P5 t! M0 ~1 O+ A+ W0 e* Xfor i in range(epochs):
. U4 t" @5 S- A. P3 v9 @  y_pred = (x*w+b)    # 预测
3 o$ s: A) P8 L3 o  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
2 q  n* ?2 ]: l* `9 t* c3 @  losses.append(loss)
. J; W% n4 h2 M  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
! h3 q* x1 N$ K! i+ q  j    b  -= b.grad*0.0001    # 回归 b
+ d1 O. E6 ]3 O1 M. H1 G- U  w.grad.zero_()  
$ F8 n: O- k$ I. N, a  b.grad.zero_()
* s& a+ K4 d' ]
print(w.item(),b.item()) #结果
/ I3 \5 Q' |" I$ t' A
" m  V8 O& v( q, U4 F# Y" JOutput： 27.26387596130371  0.4974517822265625
7 d: P2 l2 X- T3 x----------------------------------------------
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。
: ]5 `/ J1 Q2 a/ P1 V8 O9 }# j高手们帮看看是神马原因？
2 {9 Y2 K. F3 C% ]0 U1 w

老福

; D5 ~9 B) z. G" g+ M9 }
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？
' _; e7 @4 e1 {1 b-------
/ g! `) x6 Q3 m$ S" ?: j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 C. A( Y4 T& {+ 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
4 r1 Y  g* ?, S( 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？
-------
8 I) @1 e  [; n, s% j2 j不好意思， ...

* |5 ?/ N' A$ n8 O. ~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
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 ...

7 |$ r8 V; L, Q  J
1 U( x) G! p3 s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

: k+ f) ]- C+ T/ j. m

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。
* r! t1 z6 x: A7 n/ w
或者把b但的起点改为1试试。 ...

  g0 a( a$ j6 S+ V  \) M2 I  ]' `你是对的。
! S( B! T+ y6 P( c去掉了随机部分
3 `5 V* h! D9 g+ [: u#y = (x*27+15+random.randint(-2,3)).reshape(-1)
: `$ O2 w0 ~" A* ]* _y = (x*27+15).reshape(-1)

, ]: P' [$ x7 ~循环次数加成10倍，就看到 b 收敛了
: i. `' E/ Q  _# x& ?  I& Tw , b
9 h. ]& G# A) @) v- _7 o27.002620697021484 14.826167106628418
0 X' l# \7 D' f# e: 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。