继续请教问题:关于 Pytorch 的 Autograd

雷达

1 u. G# ^; @1 {+ {+ t% ]) d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：
----------------------------------------------
) v8 h# A, V0 O( `1 p! Cimport torch
! Q; g3 N- a& n) K0 v( bimport numpy as np
/ ?. W/ h+ ]+ N4 C7 Yimport matplotlib.pyplot as plt
: t4 K8 W7 t- h. Kimport random

x = 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
. C: }1 H* ^" p6 F5 N
  q4 F" ?4 `3 ?6 e$ `# hw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

3 G/ t% W2 z/ K9 \+ qlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
1 v+ ~5 Z3 N- s2 ~7 W3 J& B  y_pred.reshape(-1)

- k9 b: C. X* E3 c5 A) N  Y/ ^  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
9 N  l; f" H- ~7 G/ ^" b    w  -= w.grad*0.0001   # 回归 w
6 J8 l3 Z7 F' M5 b) b6 N) H$ L    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
# ?$ a& W+ Z# D: w9 B  b.grad.zero_()

) l) z: [+ d2 ~( S  A5 W; f; nprint(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
2 \% p% V& q- @----------------------------------------------
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 u- x9 y% }8 O1 i) `6 \高手们帮看看是神马原因？
2 k% @' u; w5 J; a' o. z

老福

$ f- ]( P) j  f) I0 Z" {
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。
( u  s: s1 x1 o7 k' V  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。
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

$ |( c1 x( k" I8 \& T4 W0 @

雷达 发表于 2023-2-14 21:52
! p+ S# N6 }& Q9 V- T! O% F谢谢，算法应该没问题，就是最简单的线性回归。
- p- Y5 q6 o7 |8 B3 Q7 r/ 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 ...

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。

$ E$ L9 l3 T0 P" o+ |& A, p, X9 u. e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
4 \- n8 z5 L6 F( N, `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。

  ^1 C  r2 r% p* a, [或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
5 D" \- r7 X: j9 C: @" @y = (x*27+15).reshape(-1)

, I1 w- [" z% @循环次数加成10倍，就看到 b 收敛了
% K3 S! a# q, |% D, m6 Y& aw , b
$ C# j, d8 n. N9 U! w% I27.002620697021484 14.826167106628418
3 A8 s9 t- f: S
4 f+ L' k. R' s& U' u" \* b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。