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。
Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
/ b3 T& u6 v0 r6 s4 Kimport matplotlib.pyplot as plt
import random
/ }; @4 F/ w) j
x = 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

# |/ h! i( ?0 d' Ww = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
) r5 K2 s: Q! X) Q/ @. N2 qb = torch.tensor(0.,requires_grad=True)
" {' T* L% T6 x
3 s5 s9 ~" J* sepochs = 100
( W7 Y7 e3 m9 m$ K0 @
losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
$ D5 R1 y" B2 {& f* A
  loss = torch.square(y_pred - y).mean()   #计算 loss
" @* Z5 l, f, c* F) O  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
  w.grad.zero_()  
  b.grad.zero_()
& p! m" @4 s* S5 `% J' T. f
print(w.item(),b.item()) #结果
+ M- S3 n- N9 V6 K$ I7 h7 g8 ]
Output： 27.26387596130371  0.4974517822265625
, J% M6 H- B; H. G----------------------------------------------
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。
' a6 s( Y4 G, g: w高手们帮看看是神马原因？

老福

$ P, n, v; N" ]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？
4 ?! j& }5 e  ~-------
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。
-------
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
$ L% y' t# 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？
" t- B& Y7 Y) `9 [3 M-------
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
# r, |2 N' Z. I+ n# `6 {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 ...

+ P; G) b4 C8 {6 _( w: B0 m
0 @# J; ]  z4 }, 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。

或者把b但的起点改为1试试。

雷达

: p$ W6 u  ]# x

老福 发表于 2023-2-14 22:00
$ h& ~% m( v$ L& t! x; U1 G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 g7 }% ], }% ^! J+ ?. {
3 [2 ]7 w; J; Q, b, P或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
: q- z7 f* x$ N" P) Iw , b
27.002620697021484 14.826167106628418

3 C6 E( Y4 V* i, V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。