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。
9 Q6 P. }2 H: L  r/ sPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
  K8 e1 N9 g* {& J- M: himport matplotlib.pyplot as plt
2 Q& g$ u8 q. S6 }import random
4 X* O+ C4 I9 M
x = torch.tensor(np.arange(1,100,1))
: [6 R4 a" F  v9 Z8 b" B0 n/ hy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
3 `2 T! |# d) F% J6 q" r
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
& G* e' ]/ e9 x' Y% b5 U" Ab = torch.tensor(0.,requires_grad=True)
4 e* j! Z# i" g$ Z: t( z- P. o' g' {
$ O0 l& H8 q' m( `epochs = 100

, m0 A7 x6 e! |) n2 U0 e& {losses = []
for i in range(epochs):
- U9 h2 v2 l: |+ x' n7 m, I: N  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
, j& q! x% C* ]8 g* P
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
' |$ G* R6 H/ ]  Z+ s/ c$ J% m  
: V% ~( H# I+ N: Y$ }% |2 ^  loss.backward() # autograd
6 ^& P* Q& Q( t- o9 @  with torch.no_grad():
6 g( y. O) R/ E6 c    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
1 V. W7 G) o# F) P+ B4 T
- u* q- E9 Y; b/ A. L4 O. g$ _print(w.item(),b.item()) #结果
1 C" D( c) M3 ~7 e
Output： 27.26387596130371  0.4974517822265625
% q6 o+ H0 k4 g; F7 n: {1 ?----------------------------------------------
+ F& t6 L+ i! U8 D0 b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？
( N! X6 k6 D' l* x3 {6 y- o

老福

0 ~& D- j' {4 F4 V; _$ j
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。
-------
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
+ ~3 V# j( \7 ]3 G* U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？
-------
- |9 |' W8 I: G. Z1 H8 b9 B4 C不好意思， ...

2 b; G% @; P7 S  c' ]: ]谢谢，算法应该没问题，就是最简单的线性回归。
7 O1 N4 ?5 I# p  a- i/ Q# 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

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。
( J2 s# b. @$ o7 l) N5 b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。
* Q+ }; q% q& y+ v/ {7 B2 O
$ ^9 x- V6 s2 |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。
" ]4 i  N! K* f: P5 @& l" h9 N
或者把b但的起点改为1试试。 ...

: G- x5 I, D( L' f你是对的。
  L4 B8 c; p, B4 e" @去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
. c: S+ m. @# F. t- C& gy = (x*27+15).reshape(-1)

9 u0 t. Y6 ^* \0 D/ h$ v循环次数加成10倍，就看到 b 收敛了
! \# T0 q. u7 l% B/ T. ew , b
27.002620697021484 14.826167106628418

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。