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。
+ W: i9 m3 U8 C, F6 L" }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
5 d/ Y; q) b" ^! z) v; Dimport random

x = torch.tensor(np.arange(1,100,1))
$ O7 X; o) x4 {9 z# M8 fy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
2 r# Q% Y: }% ^+ ^
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
9 D8 D# Z. _7 }6 M
! S8 C+ h. v3 B. V0 e; h& Eepochs = 100
- m  z4 @9 J6 q% r0 a8 e/ Y) M
& T6 ~  ^8 f  J# q* Xlosses = []
  k$ b& Z! P  Q8 Z. ]for i in range(epochs):
$ \# v' D& v' ~- w$ }% M: D! X  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
- a: N: L4 w% W  B: ]0 m3 }( ~
  loss = torch.square(y_pred - y).mean()   #计算 loss
" d& L+ }* p3 \1 T/ L+ n: U7 @  losses.append(loss)
  
3 p# A/ P+ t  V2 O" o' E4 t- C  loss.backward() # autograd
  [' ^) W. t6 ]' d  with torch.no_grad():
5 k; h: a* ]. E  z' Q6 ]    w  -= w.grad*0.0001   # 回归 w
) r, v1 H# f0 m5 W3 u2 P3 I: }    b  -= b.grad*0.0001    # 回归 b
( S  m8 U$ b9 q$ y' y; D  w.grad.zero_()  
  b.grad.zero_()
& a; W" k# z% B/ |1 u+ g1 K+ U, X
  _* G9 i- b2 {$ \0 Uprint(w.item(),b.item()) #结果

- y, i8 q% a: POutput： 27.26387596130371  0.4974517822265625
* [# {: l. J6 a# b----------------------------------------------
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？
4 B4 ^+ b- `- X- l- k8 n" d

老福

: g  u8 O/ N+ k
! @  l( i+ ~! P7 \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，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？
# x" P0 F1 I# |3 @-------
不好意思， ...

- G# e. E  S+ P1 {谢谢，算法应该没问题，就是最简单的线性回归。
4 K4 i$ `0 Y) h2 i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。
7 L, A# i8 c5 ?( E" p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 ...

- d3 v2 L7 j; 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。

: O# J' u* l% i或者把b但的起点改为1试试。

雷达

3 Q4 X3 R5 L  Q( a& O* S4 G

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。
, i& m8 K& ?: s( P! k- ]6 z- _- I
- i6 t8 J" L: H# C; M4 c( M( ?或者把b但的起点改为1试试。 ...

% ~# v: I6 `# n# {/ N# R$ D
' Y. A. T. p3 A你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
- \' l3 o* D3 ]4 {+ L9 [27.002620697021484 14.826167106628418
+ Q! v9 H) C9 v9 G% r8 a/ Q
6 t) C/ z! i/ j6 m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。