继续请教问题:关于 Pytorch 的 Autograd

雷达

/ _) ^* m2 u( w, y$ {5 @% ]- c
% r' x6 K  i6 _5 N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：
% B6 Y) \8 X' X5 ?+ t( u6 N  T# ^----------------------------------------------
2 `) |7 P1 h" T, Z4 A% ~3 ]* ?- {import torch
import numpy as np
! f) X$ w/ Y9 h0 rimport matplotlib.pyplot as plt
import random

) |! i9 L- \7 ?; x* a+ P, a. ex = 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
/ e, n9 `! ^. u; ~. E; @
4 M/ e3 m1 P; D+ B9 [$ u" }w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100
! h0 L2 `4 M; E, k1 [
' S* \7 {( C; Y. X- Plosses = []
/ E# h" \: m6 N' K- i& k8 ffor i in range(epochs):
  y_pred = (x*w+b)    # 预测
9 s! A4 T; D5 {/ L, L7 ~" g! O9 c  y_pred.reshape(-1)

0 j& `( o$ d$ p4 Q9 H  loss = torch.square(y_pred - y).mean()   #计算 loss
9 C  `& c5 [8 P9 U, b* r) w; ?  losses.append(loss)
% w; ?3 }6 L% m. H  
  loss.backward() # autograd
  with torch.no_grad():
, f  P. ]! c! E) p! z! r    w  -= w.grad*0.0001   # 回归 w
) Y; J' j( ?- C  @5 p8 r  n9 y    b  -= b.grad*0.0001    # 回归 b
8 ^, k2 n- l; Q* F0 L  w.grad.zero_()  
7 o5 M; z2 m! d  b.grad.zero_()

& P! C& ]0 D4 f% R1 N3 E4 Iprint(w.item(),b.item()) #结果

3 z" q7 x* s+ X' i$ W9 uOutput： 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

1 h8 @2 H+ l, b. }& o2 _- R, e/ f& U
0 N% F+ {; ]1 h! f; e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？
' N( K4 {  [4 u-------
0 s- C6 {. i* s& b, b/ |4 ?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。
-------
( z/ ~9 i4 n+ P6 K. }5 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？
-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
# p7 }3 D3 i4 c; U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 ...

6 A# _9 G6 l" J$ g
+ Z- ^  V0 h* F/ t9 {3 j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。
3 {# p2 Y$ T1 v" K
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
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。
, @) d5 p1 e1 P
或者把b但的起点改为1试试。 ...

, ~& i6 U6 E6 L
你是对的。
* z. K; p8 m1 o% l1 {! j; j( l! I去掉了随机部分
* l/ D; H, r8 J#y = (x*27+15+random.randint(-2,3)).reshape(-1)
" ~; g& V3 b% @  _y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
: V! O/ S1 `& `. j: `2 s! V: h7 h27.002620697021484 14.826167106628418
8 u7 b. o& n6 Q1 N2 u
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。