继续请教问题:关于 Pytorch 的 Autograd

雷达

+ D5 n4 n1 [; B- s
  l; [5 X: s  p/ |/ O) ?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：
" A- Q% s1 V! u$ c5 U1 s----------------------------------------------
+ v9 _. Z3 q1 r+ c% Simport torch
+ L: `$ N5 f4 c% m9 Vimport numpy as np
import matplotlib.pyplot as plt
2 H* [* [, r9 Vimport random
: M- [3 }* o# x2 v* j- |. b
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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
+ \  x. P. N3 K; U5 \b = torch.tensor(0.,requires_grad=True)
' L) D- u  x+ O8 {& U
epochs = 100

& S- C9 G  @7 _% T. Qlosses = []
for i in range(epochs):
. M5 {5 ]) K; ~! w  y_pred = (x*w+b)    # 预测
. R+ p/ e; G/ H0 `1 O/ d  y_pred.reshape(-1)
. a! _6 _1 v& l$ g. L) x5 U/ `
  loss = torch.square(y_pred - y).mean()   #计算 loss
# J4 V: _; }3 M0 @$ L  losses.append(loss)
  
1 ]: e, c9 D8 k# s/ x/ r  loss.backward() # autograd
  with torch.no_grad():
1 J' i, D* C2 Z& Z    w  -= w.grad*0.0001   # 回归 w
: N- O: A) _: R$ K+ Z    b  -= b.grad*0.0001    # 回归 b
( B) d( ^% b) B6 A  w.grad.zero_()  
% ~6 t! G6 s( L) O  b.grad.zero_()
3 z# u8 e! v/ R- W
+ ~7 a9 d1 K# ]  w% {/ e  e/ qprint(w.item(),b.item()) #结果

! i1 @5 [# {+ [; |- J$ l" b6 AOutput： 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？
' J5 M: g6 s8 s  X

老福

& F. f" z* r) r$ }' [5 l9 n' l
3 _  @% l% E1 O1 m/ r( h2 Y* p8 `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？
; K5 _; I! F0 Q8 e6 {- u-------
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
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 _$ |7 O9 U8 J, x不好意思， ...

) Q$ F* A2 H6 Z) V& Y  \* m  W谢谢，算法应该没问题，就是最简单的线性回归。
* d9 g/ A" R; M* c- D4 T: ?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。
# ?# N. x$ j) R$ V4 Y# ]$ @9 |, n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 ...

. y7 o8 G* {0 W& ^! E* V
1 N7 y' ?! P0 }% L3 d) i7 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。
& l( d1 ~4 H; ~* [) ~
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。
& z* Q4 T) c6 b" h2 X
3 T3 M. {) |& P  K或者把b但的起点改为1试试。 ...

你是对的。
# ~5 @5 v' M& D6 t) Q( I: j去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
8 F. W* V9 |5 _+ m3 jy = (x*27+15).reshape(-1)

- n. C5 m+ Q% m5 e循环次数加成10倍，就看到 b 收敛了
w , b
) d+ o1 U" j. q  G+ b2 J27.002620697021484 14.826167106628418

) Q! F* v$ a& P! _) T, `: u  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。