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。
% n1 `; U5 I) F( u0 aPytorch 下面的代码做最简单的一元线性回归：
# l7 c4 g) t. `& l  q$ w0 B, a% v3 u----------------------------------------------
$ E/ I6 L8 e) Limport torch
import numpy as np
2 O" _" m: G0 r( x; [2 F$ O7 vimport matplotlib.pyplot as plt
) B) E8 |. _  ]8 Z- m$ d" _* }import random
& @) E. C" @+ E" u  [
! U* m8 F2 O% n% _3 o: t9 O6 Yx = torch.tensor(np.arange(1,100,1))
- x! m& r( p' W8 G' S+ H8 s1 ~y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
- S+ R0 y% \+ v$ {0 o4 {) T
; G! t, j4 s( O; M* `w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

7 E/ o  K: Q! `/ Q8 hepochs = 100

losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
2 m3 y& Q" T3 ]' ^# ]  g  
* [* k" E/ H8 j5 T+ j- \  loss.backward() # autograd
& @: ]) \2 }/ s  v3 g6 e; N; d  with torch.no_grad():
9 y& `% s/ j$ G) @    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
9 P: z. X% {% M$ }# M  b.grad.zero_()

) \( Q  l! D" v7 I& j+ F: o  S: wprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
- H9 B( a, b  p----------------------------------------------
' b4 [: P* t: u. s; S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。
* y+ e7 j. S. E- j" t: o$ D' u" M高手们帮看看是神马原因？
$ d. X1 C, P9 f4 e7 Z

老福

, w: m/ Z% T, j( a. K2 `
- A' D# Z6 w4 F6 R2 k% E' h8 v, h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？
* B2 W) |9 z; l" n-------
+ j0 I: c+ t2 A2 }# a3 @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。
$ ?0 e2 h7 Y% i" J-------
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
6 H, G0 |5 |+ o% R+ M$ Y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？
- j0 H1 j/ |  e% {6 c, l-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
+ i! }' M" J: r3 M; C, q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

7 `- K* D6 K1 J) d

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 ...

9 B# P% k: y  V% H. T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。
. d% b" N" P2 I
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。
  R* H( U! Q6 u* X0 q/ s
, e$ T" g. h* Z# \/ G1 R或者把b但的起点改为1试试。 ...

4 ~3 ^. i7 G6 c7 c* p
你是对的。
2 G9 k& `& K# V- B# d9 A去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

" g2 w1 P0 z# a$ f: ?循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

/ E+ T1 L3 w* P4 q  @5 P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。