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
import matplotlib.pyplot as plt
import random
9 u2 m6 z8 A, ]8 V( {
' p) V" S7 ?( [" xx = torch.tensor(np.arange(1,100,1))
1 I$ ~& v& @7 ay = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

4 W: F& d& J- G2 v0 f. J' D3 ^* J, vw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
  \! f: U! y8 d- h
epochs = 100
; v5 G8 D" U2 E' [1 O$ J. g
losses = []
for i in range(epochs):
( ]7 a- l1 w+ E/ I& l; I( L  y_pred = (x*w+b)    # 预测
& ?+ s' I; M" ]& C" f  y_pred.reshape(-1)
2 C8 M6 k2 U) V5 F% O
' C) _. x  b1 k; P  loss = torch.square(y_pred - y).mean()   #计算 loss
3 ^$ U! @  i  v; D7 e9 n  losses.append(loss)
- ^& Y# _' j* g% }5 ?3 S& r2 M  
: Q, C% [! k4 w, X5 l. b2 Y  loss.backward() # autograd
. a; Z; e5 G5 E- ]) I1 i% F. z/ j' I, m  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
7 L* T/ F' X1 {  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
1 |" f+ ^. F9 ~  c# @
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
& S; m' U' y# I+ L% t5 ?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。
: ]( f  K+ s& @0 V! W高手们帮看看是神马原因？

老福

) o: u- J9 e. s, ?! O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？
  S! G, O+ Q" q- ^-------
3 T: t% N7 `% c4 v! @) `( _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。
( m2 z# ]( k% L  r+ n5 q-------
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
0 k9 |2 e$ _2 P  ?7 L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？
-------
  V# F7 I( p3 P1 k' G  ^; a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

0 N7 U; T5 \4 N3 c; C

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 ...

& |! V, I9 i# k3 W
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

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。 ...

) S+ G* P& A1 {+ R7 Q* E, O2 s
你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
" F8 `- {4 }& q0 Q( G% O, G& |y = (x*27+15).reshape(-1)

7 C. X8 C" P7 s, B" E循环次数加成10倍，就看到 b 收敛了
! x; d! J4 L0 x! P4 x, Z" Zw , b
$ S4 @5 ^# G* I5 f; K3 c27.002620697021484 14.826167106628418

, c$ R7 u; ^3 h8 U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。