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：
9 R. Q; c# s# n+ j; [----------------------------------------------
  J/ R1 X4 g6 `: ^; Q5 v1 w. ]3 |import torch
' s# a8 W) H0 A+ Oimport numpy as np
import matplotlib.pyplot as plt
/ T6 {: l* n( w2 L, a% Eimport random

x = torch.tensor(np.arange(1,100,1))
% h6 z! v9 o, T  b& P/ ~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
( B1 o) e3 W+ i, E. q, b; Wb = torch.tensor(0.,requires_grad=True)
* ]: m, F' b% a% m# O
epochs = 100
9 t4 Y1 z% {+ \
losses = []
+ j  X% |# k$ E2 afor i in range(epochs):
. R6 W3 c% }0 L1 T3 l1 ~  y_pred = (x*w+b)    # 预测
4 R6 {$ ?* ?4 a- a" y& z9 K  y_pred.reshape(-1)
) q; o1 ?5 U- K  p4 B
  loss = torch.square(y_pred - y).mean()   #计算 loss
5 l, i9 B8 Y& |# }  losses.append(loss)
  
; I; R8 b- m9 ~  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
& m6 r" Q' G8 L2 O  w.grad.zero_()  
  b.grad.zero_()

9 \/ O/ R* T6 M5 {& }print(w.item(),b.item()) #结果
' A( ~8 C- [" D4 ^+ m2 p6 C
( \) \$ J! u- @% P( c3 AOutput： 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。
高手们帮看看是神马原因？
! C% B( c- B: f% Q- S

老福

, O& _, r" [: K
1 c2 p: ]* W- J8 S/ B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。
-------
  t6 y4 @: }( [* _. 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？
: u1 P3 B! d+ J8 U6 p& F) \-------
) |7 ~2 j" E- h( i$ \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
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 ...

! e! i- M! u+ }0 ?; ?1 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。

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。

& d! ]; @" |' ~: q或者把b但的起点改为1试试。 ...

" G2 i9 v# K$ E& n% P6 r
6 `6 t) u# Q0 L% B4 h- e4 S0 R你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
# r: `; O. }# k6 k1 S, Ry = (x*27+15).reshape(-1)

: l9 k0 O1 f2 K' H% g6 U4 {循环次数加成10倍，就看到 b 收敛了
+ F+ E6 S3 J( T: V6 l' ?1 k. Tw , b
27.002620697021484 14.826167106628418
$ ]4 g: s0 B, v3 {+ j5 h
6 ]* b& |+ L% M, d! O- g: ~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。