继续请教问题:关于 Pytorch 的 Autograd

雷达

! e# ~) E4 X8 q% ?! [. A
1 z! H# v2 S' p! {- d' |为预防老年痴呆，时不时学点新东东玩一玩。
, i/ a4 D7 S5 |& _  f5 ]Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
" a) }7 C/ I( L4 g5 i9 Pimport torch
- f; D% {* `& _5 T# l1 z/ r# C/ G  uimport numpy as np
import matplotlib.pyplot as plt
4 `. c) R. I0 z8 Q$ Simport random
! i! x1 E. }4 g1 N( a) O
x = torch.tensor(np.arange(1,100,1))
! w- p/ I! k. }  j9 r2 `; Zy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
! n7 U# U3 Z) o0 d4 o/ q- K$ m
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
/ [8 D# {3 c; t# J/ l) i  E7 h2 f" Qb = torch.tensor(0.,requires_grad=True)

* q6 c; Q7 ^* A% Q; T, N$ b* wepochs = 100
% x4 q0 X' X0 l
losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
0 s1 s2 C4 {9 X  p6 Y1 C5 b  ]( v  y_pred.reshape(-1)
+ R5 Z! P% l0 z8 _# b- f/ V( K. A* |
  loss = torch.square(y_pred - y).mean()   #计算 loss
3 t, A( T: a  b! u# Q. @  losses.append(loss)
. R4 y$ y( f/ j7 s+ U! l  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
. {6 Y" w2 v8 A. A    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果

( X: t3 b- ]* S) `+ EOutput： 27.26387596130371  0.4974517822265625
$ }& z3 I/ C2 i* q) V% q$ q3 n----------------------------------------------
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。
4 B3 j1 |; n! A- g+ P2 I4 W; [, A高手们帮看看是神马原因？

老福

: v; [0 F4 g9 b" S
1 d( j5 f3 X! V+ L& 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？
-------
0 P  x$ R, d# ]. B) U6 y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。
$ K' H% V, n4 U! v3 P-------
- B& ]7 {/ W6 s% Z6 D6 L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
% p* E$ \6 B3 s# _- s$ w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？
-------
. G  S% h. e( L7 o5 Q* B2 i$ l不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
' H7 p# |( t! |4 M$ ?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。
. l) M. c8 T7 L8 z" t) C/ h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 ...

5 \6 Z1 |. r5 A8 l9 {
1 Y3 a& X/ J& C- z% M7 [) F: }' 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。
# _6 L6 t2 ]4 z/ h$ `# d
或者把b但的起点改为1试试。

雷达

  C4 W6 Z9 I7 I' f' p

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。

0 v, d: @, U* [2 ~/ Y$ ]( K" J或者把b但的起点改为1试试。 ...

" G: T/ w1 {/ }$ K/ V$ `7 y5 M; _5 z
你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
, |0 U% B9 x; Y' Iy = (x*27+15).reshape(-1)
4 f* V6 r' O- u2 |& c/ f1 n; i
; U0 B( k# ~+ N2 S! ]( U- m2 N循环次数加成10倍，就看到 b 收敛了
w , b
1 ^6 W% S7 i; ]" {- p- L: {27.002620697021484 14.826167106628418

+ q2 L- {0 [. E: W! v8 L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。