继续请教问题:关于 Pytorch 的 Autograd

雷达

/ h7 O4 q- ]# L# K为预防老年痴呆，时不时学点新东东玩一玩。
" [' J" k9 T6 U2 ]8 wPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
+ W: \+ k; N" B9 nimport torch
, c8 {4 J: s) gimport numpy as np
- k+ G) G* ^4 S3 f; L& N; pimport matplotlib.pyplot as plt
import random
% H5 ?. n  h: x3 h, J( x9 ?% R# M* j# ]
x = 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
+ H3 Y5 [( G  P! ?" S6 O, p  v
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
) M/ N2 a" r, Rb = torch.tensor(0.,requires_grad=True)

. _7 {6 }) h& K% y1 {4 Y; X. X- }epochs = 100
. j4 x. x7 B8 b6 r: k$ M1 E
losses = []
for i in range(epochs):
6 z3 x9 j; P' r% h  y_pred = (x*w+b)    # 预测
, e5 Y$ U/ r# x) k8 d1 ~- r2 p  y_pred.reshape(-1)
# w+ U$ \0 m5 ^- v
! z& Q" k! G3 c' W  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
7 E7 j% T( k/ p8 T7 ~2 ]! Y7 j  
9 `% T7 S9 Y* S/ O  I, W" o- `  loss.backward() # autograd
& n: |4 j' p; E  L, U' S  Q  with torch.no_grad():
/ m: T; n/ C' o$ x2 h- o    w  -= w.grad*0.0001   # 回归 w
2 J1 i; J0 G5 C    b  -= b.grad*0.0001    # 回归 b
. l: j5 z# B+ l. h) w6 q  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
/ k+ z0 V  d- f, t7 o" r
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
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 [% R1 `+ y4 T1 G, @8 ]/ n高手们帮看看是神马原因？
! Q3 @7 E/ a. I

老福

. l* c2 Y& H% ~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？
; Z: {2 D; o  ?-------
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。
6 ?; U& B$ f9 ~5 p; K% \-------
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
* a& U' Z* |: D" h) ^5 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？
5 J  J9 X0 }2 v$ e0 }5 I-------
) n4 }; I$ p7 a/ }$ x不好意思， ...

0 ^5 W  G9 W; l$ G- {3 D( 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

雷达 发表于 2023-2-14 21:52
0 I$ X! W$ ~$ a! b9 a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 ...

! `1 I+ U; s  q* H# G5 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。
$ j1 [0 J6 a) M4 r
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。
/ f" W7 o, j* u
9 d6 b" K6 B2 a或者把b但的起点改为1试试。 ...

% O3 n; T- g: v. i" f* i8 _7 `你是对的。
去掉了随机部分
2 L6 l; V7 ?# _. i: N, R# x( g#y = (x*27+15+random.randint(-2,3)).reshape(-1)
/ Y2 w6 B" |& g) @$ Ay = (x*27+15).reshape(-1)

2 Z' s" D5 F% G$ s4 }循环次数加成10倍，就看到 b 收敛了
+ \1 ?* l$ [7 d) R3 [w , b
27.002620697021484 14.826167106628418
) k% m7 l& q& \5 C4 Q8 L4 d# N: u
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。