继续请教问题:关于 Pytorch 的 Autograd

雷达

' a' N  m! m. k( }6 U
为预防老年痴呆，时不时学点新东东玩一玩。
" W& F' T# i' }- cPytorch 下面的代码做最简单的一元线性回归：
" H5 o. o" H' b/ ^, s. Y----------------------------------------------
, M7 Y! d, ?& a$ nimport torch
2 J* W9 J9 K0 A+ eimport numpy as np
% C* c, h9 T& b( Gimport matplotlib.pyplot as plt
import 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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
4 {+ m9 b/ d0 ?* F7 }b = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
# U5 {$ ^* |( O
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
/ e5 e3 N7 S$ L    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果

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。
$ x' C" S+ b( C/ w/ m& T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？
8 k; \3 J2 k. x) ~-------
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。
$ I; m' }! |$ w& ~8 c+ N* F-------
3 z% N! k( I0 h  ]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
/ ?. i* q& c0 h7 q2 y5 t' |' `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？
-------
/ R3 k; ~  K9 H+ h" Y7 Q: f) P* H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

雷达 发表于 2023-2-14 21:52
/ O7 w# C% a! h. V- H6 q" }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 ...

0 ~( P& @0 c0 d! K' G5 G, r- 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。
: M/ a9 q: ~: V. m- w
或者把b但的起点改为1试试。

雷达

" B" i" r9 j, u7 u

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。

# R8 P0 }* p8 c: p或者把b但的起点改为1试试。 ...

你是对的。
, _) Z& d+ ^% M  o2 E( Y9 z6 z去掉了随机部分
; ~# t, j" y4 d6 ~% F1 S#y = (x*27+15+random.randint(-2,3)).reshape(-1)
# G. v2 X; H( n: @9 Fy = (x*27+15).reshape(-1)
" o; m/ }; z2 [
. V! ?0 J) p  M6 F( L& l- N9 ?循环次数加成10倍，就看到 b 收敛了
! E' w1 o5 `6 a. L9 P: o; f) dw , b
27.002620697021484 14.826167106628418
! ^, G$ k* l2 Y: o) h
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。