继续请教问题:关于 Pytorch 的 Autograd

雷达

* }2 O. h& Z8 o3 V( x  n为预防老年痴呆，时不时学点新东东玩一玩。
6 M- q  C7 V% w: @3 @/ m! j* ^Pytorch 下面的代码做最简单的一元线性回归：
) i# l6 ?! ^# V- F& ]3 x----------------------------------------------
$ G) o6 @6 ~+ a: uimport torch
) W) u- [6 j! x% U8 v& [import numpy as np
import matplotlib.pyplot as plt
import random
. o, K9 O: O. n) e9 G
) W7 R, ~' z0 V0 W2 I( @x = torch.tensor(np.arange(1,100,1))
9 T: R1 p: S- T) b. H' X. ]y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

1 g! X$ L8 r$ q% q3 |w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
' x0 j1 ~) n- H0 k
: ^) q4 D9 W, p0 A* zepochs = 100

losses = []
9 _2 L5 [- Z- J: {; gfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
# B2 L6 G, V8 _8 D+ \7 S
, F; H! Z6 @3 a; J$ c9 j8 q  loss = torch.square(y_pred - y).mean()   #计算 loss
( x7 N+ i: l2 D2 @8 i( E  losses.append(loss)
  
; S8 I8 c! T% ?) h# M: u( g  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_()

print(w.item(),b.item()) #结果
% S/ a" k( S$ Q" G  s. o
: P4 P# g  {! `; z3 Y: y; W* HOutput： 27.26387596130371  0.4974517822265625
& z7 W+ ~: |& V! D4 X3 j----------------------------------------------
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。
4 {& \2 B  K( }, N" N高手们帮看看是神马原因？

老福

& v0 C" ]' c( c1 X
% t# q- [5 u" O7 a( p) f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？
-------
3 l3 n1 }. z. ?; s! C7 L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 S- |+ N/ k-------
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？
* N: ^$ }+ k9 y8 ~1 r. `$ z1 V7 `" ]-------
! N  h  |, z& n1 I& K+ D* ~& j2 [不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
: F$ C, d! N) T3 E- z/ e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
" G6 f* U" @/ Q0 q' t$ _$ w谢谢，算法应该没问题，就是最简单的线性回归。
* C0 b; ~( P8 H$ 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 ...

2 j  U( e& U/ ]
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。
* U; x* J+ F' j" h% I' G
或者把b但的起点改为1试试。

雷达

. V3 C2 ^: h8 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。
" f; `* ]9 B/ x3 @; R6 q
5 m$ Z. G" k7 m( I  `) x$ x8 j或者把b但的起点改为1试试。 ...

6 @0 ^! j( ~% a7 P
你是对的。
; g$ p& [. X1 F2 l0 c' A去掉了随机部分
; P6 L- z; ^7 I- h8 b#y = (x*27+15+random.randint(-2,3)).reshape(-1)
+ h/ b  w  w1 R2 l% ry = (x*27+15).reshape(-1)

+ A7 Y1 Q. W& _* \9 t  T循环次数加成10倍，就看到 b 收敛了
0 j  S1 N# u# P( f: p2 ^7 Pw , b
27.002620697021484 14.826167106628418

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。