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：
----------------------------------------------
import torch
import numpy as np
" o  i5 Q: I- q1 U4 E; b7 J7 Cimport matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
- J' k% x, K$ {4 F3 a4 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 = []
4 n% r/ e" `" s  K6 sfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
) t* A" P0 ~% \0 q0 g1 g( v  y_pred.reshape(-1)
7 R/ A( k$ c# t$ W
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
& @& {7 T) B# l& q! u  
7 O& S; D* j, |  Q& @5 i5 g! H, r  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
2 _8 W! y& \" o8 Z+ D    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
! p' h8 l$ b+ n1 v. k
print(w.item(),b.item()) #结果
" w: S# z! d' n$ N  q) l/ g
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
+ E  p* q5 |- r3 o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？

老福

% d, a  a$ n; n* R. |5 {8 T: S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 f% e# _, L+ N! C) c6 K-------
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。
5 l3 e' J: b- b5 g-------
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， ...

5 R* |+ I( J" F5 i" |% b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

$ T/ Y$ p3 M# |/ K9 t

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 ...

4 ^) I& F, o( 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。

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
3 G7 J9 N# D5 u4 v  |) {: p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。
# t# i2 M# O5 X) |- D7 a
或者把b但的起点改为1试试。 ...

6 M: A$ A9 q! G4 `8 a8 r0 K  k$ C# B8 \你是对的。
: j9 p% A; d# f, d! S2 l0 Y去掉了随机部分
! g& J" V+ ^9 Q3 H1 q. |! {. f#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
; q4 h, |. M3 S3 L6 E8 |0 }( [27.002620697021484 14.826167106628418
& ^7 y; i& S4 o, s" i
% j- e5 }$ S7 {* @7 S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。