继续请教问题:关于 Pytorch 的 Autograd

雷达

( S+ O* Z' v- y: s为预防老年痴呆，时不时学点新东东玩一玩。
. R  i: w: |9 HPytorch 下面的代码做最简单的一元线性回归：
0 M, N  K( e4 N! f6 a# ^6 v0 u----------------------------------------------
import torch
import numpy as np
0 [) L: o  ~2 S3 ]% @% cimport matplotlib.pyplot as plt
+ f9 M6 u4 R$ C4 e1 Dimport random
6 r+ j; x6 U$ u2 Q
x = torch.tensor(np.arange(1,100,1))
( O2 g* C/ \1 O; ky = (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
b = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
1 g- t3 t2 b/ J, O' Lfor i in range(epochs):
6 c* O9 P  a& P  y_pred = (x*w+b)    # 预测
; k+ x8 `2 g" }8 w* `8 q8 H  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
7 N4 g! `2 j/ p" s9 [- d' H; J  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
    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
+ |% m" l$ @& x  J- C) G* |----------------------------------------------
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。
# N* O! u+ C& P" i& V. T. m" A高手们帮看看是神马原因？

老福

. y0 S$ R& O6 m; |3 Z& |* Q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？
-------
) N& A6 D  V' K7 y2 C$ [/ A/ E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？
-------
# z2 P6 J$ q( x& g; U7 S* c4 V: J不好意思， ...

$ t  _) p7 @4 `# S- B$ D) K谢谢，算法应该没问题，就是最简单的线性回归。
7 k4 D3 M4 y( J/ `0 V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

9 j/ K, F, o+ c5 V

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。
4 g/ f& D+ P3 Y& W+ q+ o4 z* O' \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。

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。

或者把b但的起点改为1试试。 ...

" @' B6 L8 H2 z5 J3 s
你是对的。
去掉了随机部分
% u; C, `; }: m) B4 {# J, v#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

9 z; O! z( [6 u; @循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418
2 W* U) @1 l) d9 T9 W) 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。