继续请教问题:关于 Pytorch 的 Autograd

雷达

  W3 X% N- b8 i1 l' W) U6 S2 A/ q
+ n) |" n5 f% ~为预防老年痴呆，时不时学点新东东玩一玩。
5 ~. I/ X+ i  M7 c* ~* ^% l% JPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
1 t1 n* \+ u4 i- g+ \import numpy as np
; L9 d" q, o6 y4 C+ Rimport matplotlib.pyplot as plt
4 c& [; l/ R: Y5 F* A5 limport random
* E. g8 ~* w; S+ w. t" U( \: M
) X1 ?0 Y4 [* E; z! dx = 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
( @$ F. h) Z7 p0 H$ l
  {  E- ~4 [4 b) Rw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
+ w' Q. u9 H( w% J# y0 ]$ A7 yb = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
for i in range(epochs):
- }; b* }4 d/ ]6 F. ]  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
9 i4 ^- E3 t' P, z+ F$ D: V  losses.append(loss)
  
  loss.backward() # autograd
9 M# G- C# E/ |5 t! J  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
# `" U4 {0 S* T  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
; K2 h% Z1 E9 Q- W  C+ q* T. k" K
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
7 {6 X- s" u: m0 O2 t" o# c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。
2 }1 Z8 w' l0 g( }: h高手们帮看看是神马原因？

老福

7 {6 d3 c1 W" h9 }* e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。
. |. ]8 C% `% q4 c7 B-------
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， ...

$ V. Q( O' l1 j; L7 f9 i谢谢，算法应该没问题，就是最简单的线性回归。
; `2 x6 Z: q) A5 J( j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。
$ W) ~  f$ R9 A& C  _  d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 V; M1 ^! z9 {
( A1 f$ {0 q, s; ]5 M+ i( W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; |5 j+ ^& r或者把b但的起点改为1试试。

雷达

; _1 p( N, e. U3 @% M; i

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。
$ Q' z" {0 I: s- I9 \4 F
或者把b但的起点改为1试试。 ...

% D; {6 b! c( A9 v
# f: i6 I  z' d, Z( \你是对的。
去掉了随机部分
5 h2 O  Y5 d% n" N* W#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
6 U- n$ P9 g* _: a' [) k9 W
循环次数加成10倍，就看到 b 收敛了
w , b
0 Y8 U! m6 g3 T  ?* K8 o* I27.002620697021484 14.826167106628418

$ r( R  C) `% X* u' Q  [' I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。