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。
2 p2 D! O& G8 f7 I# A. OPytorch 下面的代码做最简单的一元线性回归：
4 m, ~) ~% b0 f) f. h7 Y----------------------------------------------
) a9 L, A3 z+ @5 h# simport torch
% H4 r8 e$ Q" Dimport numpy as np
" `' N4 O: j. B$ w( X/ K2 _0 e8 Simport matplotlib.pyplot as plt
( x# s% ~* X9 N. n5 D3 O. C! uimport random
3 c: {& I" y! S4 {4 k( @
3 k, f' p  M+ N: w7 o8 E* Z) I. Gx = torch.tensor(np.arange(1,100,1))
3 x6 g. n& ^# [& z) L9 dy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
0 o  {- r; B& K+ O3 r
& f8 ]% J+ |" {( ?w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
7 e8 T8 d" y* g- {7 K! J, Y7 Lb = torch.tensor(0.,requires_grad=True)

' s8 D+ a3 O9 q# V9 q/ W% P. k' q9 Bepochs = 100

losses = []
6 p# q1 |6 q, A4 N2 V" {5 @2 T+ vfor i in range(epochs):
! }5 ~# r, h1 m7 |7 X+ v" C  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
; E& G: w$ [; X: w$ y' ~# J  losses.append(loss)
  
  loss.backward() # autograd
  [/ j) y9 z( T9 k) t: `# t  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_()
" {0 [7 k' A6 i% |. @$ G# u7 z
print(w.item(),b.item()) #结果
1 A% F2 }9 h0 m8 d3 Y
$ ?1 l* @7 k  u% k5 BOutput： 27.26387596130371  0.4974517822265625
! U4 u7 g% ?( D8 O) @5 g/ z5 a----------------------------------------------
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。
" k7 `- d% M  |! `2 ^高手们帮看看是神马原因？

老福

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？
0 U: G0 y' V1 B: W8 W8 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。
7 h  P. L+ M0 N' H. h( c-------
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。
3 A7 j% G( P0 s$ j  B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

: p, o: l$ Y: z" _

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。
3 [7 Y. N' ?0 E" p  J. w7 d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 ...

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。
: w; Y) ~4 A: y( g( k, `: Z
1 `* t1 }7 ]' m& ]! Q- y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。

或者把b但的起点改为1试试。 ...

. l4 v1 Q: |$ X
你是对的。
5 g; x1 D, y( z+ |: o去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
; q% O- w/ c$ x* L, I
1 @4 k: q  c& `+ s) ?# u+ a* m循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
5 o$ J+ ]* ^1 {" y  t
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。