继续请教问题:关于 Pytorch 的 Autograd

雷达

( W# K/ \9 I" i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：
----------------------------------------------
& E; e- [) v$ y. i7 N/ k3 f4 timport torch
; J4 ]% a0 q* r) f% fimport numpy as np
import matplotlib.pyplot as plt
# t0 b% c: F: `import random
. @' Y3 @" t5 ~" E4 H4 \: S
7 u3 f/ H. L/ s, Xx = 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
( t7 w8 g1 `! W* x0 M2 \
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

! O0 k3 X9 U4 g- l8 aepochs = 100
$ g5 n8 K0 O2 F7 [0 [
losses = []
) b1 m* o% c# |for i in range(epochs):
" w( {" b! t  x: C4 e  y_pred = (x*w+b)    # 预测
! O6 V$ i: \% Y7 j1 e6 p  y_pred.reshape(-1)
4 t$ `2 w* Q' w+ ?8 A3 n& L  _- N0 E/ \
4 K2 U  p$ m: |" }- J4 A8 B* G  loss = torch.square(y_pred - y).mean()   #计算 loss
, h  A4 }. O2 c; e! V4 X  losses.append(loss)
  
  loss.backward() # autograd
/ ?% G# Q" L8 _9 h, D6 E  with torch.no_grad():
& w/ b  M* D% K; x+ B' m, N    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
- C& L' y( H- L0 ]5 C! f0 A  w.grad.zero_()  
7 Y; d5 w6 \* V6 w9 b9 H, L  b.grad.zero_()

print(w.item(),b.item()) #结果

' s( f4 y' W8 R5 ~Output： 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。
- E$ P) {, j8 P) @& x高手们帮看看是神马原因？
" J9 j; B9 K5 [

老福

4 D/ C0 m$ t: ^' a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？
1 D9 q( Z# P/ m. u$ g-------
( P' K- _1 L4 Q, A) `; A4 }3 \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。
! O! p8 |# Z3 k$ w% d3 Q: C2 V-------
( Q' g) m$ O, z* @! A) F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？
- F) S+ s3 q% r- X-------
$ ~/ Y+ X6 w+ D1 K+ A$ I# D不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
6 v: r+ T' K" ^9 F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。
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 ...

$ `$ z$ ^" @. O
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& v$ O6 M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
# n, C9 N  g' Z% |& u- h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。
( T% W# h# Z. T, \
  N7 m. g' E; D$ v& X' r6 O, |/ \或者把b但的起点改为1试试。 ...

你是对的。
' b& E% g, l& F* E) G6 ~! {- Y去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
- u% y8 \' ~9 j# `
循环次数加成10倍，就看到 b 收敛了
. J3 h1 f0 N( G  u4 J0 P2 z) p( iw , b
27.002620697021484 14.826167106628418
1 O" v* Z/ p! P
* f6 f5 k; t; 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。