继续请教问题:关于 Pytorch 的 Autograd

雷达

" x6 W% @& J% e( W* {% J7 b3 @* A, ~为预防老年痴呆，时不时学点新东东玩一玩。
6 ^6 ?0 i: L+ m' t! W( O$ }, VPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
6 W1 ^2 m4 C$ ~5 h* |import numpy as np
6 s( J& V1 i+ W$ l# I0 g  g3 zimport matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
+ N$ h- w' |% h" }: o$ ?: h, n5 O0 Ty = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

& D" X  |* [! P  X4 R6 }; r, f% ?" Kw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
7 D9 l: k: T9 @b = torch.tensor(0.,requires_grad=True)

3 t, J5 ^& M0 I* ]2 Z5 Repochs = 100

losses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
) e! D& t. l6 P& c  y_pred.reshape(-1)

% H6 z6 g( v3 d( s) u  V  loss = torch.square(y_pred - y).mean()   #计算 loss
3 c- {0 W8 w" e' I3 k: I  losses.append(loss)
5 }) h" ~  H; t  P0 G  
% V9 h1 y; D( j& [3 Z7 e) R! E  loss.backward() # autograd
4 M1 O  D* N+ \, r6 m& J  with torch.no_grad():
$ A, l* @# I6 ]  c* B    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
2 L% b$ j$ T1 ^* N, g
) L, D# h, f, p/ k1 |3 w# ^) r7 ]; _print(w.item(),b.item()) #结果

% C: ]/ ^. q* cOutput： 27.26387596130371  0.4974517822265625
. `. g! I7 n4 J$ {" o. W----------------------------------------------
" W5 g  F2 f5 v" ?$ B0 [3 m% ~; n) {. W% P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。
7 g6 T0 z! \) ]1 r# [6 m高手们帮看看是神马原因？

老福

1 q4 R. W9 k+ C' K; y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？
+ b" l7 f) A7 O7 `* y: r. b-------
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。
$ g6 M7 M1 h# e" W: [8 {7 f-------
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？
7 L, z; L& [, l5 a-------
不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
  z6 P+ `* H3 I& `+ N; j) y6 d3 \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

$ {! n# n# W  J0 E0 }) f

雷达 发表于 2023-2-14 21:52
7 v% A/ }" b+ s2 _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 ...

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
) i9 _0 a4 U- _' l! v7 Z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。
9 s! C0 H5 m* @& P1 {: k
或者把b但的起点改为1试试。 ...

5 ?2 o- Z5 Q! J: `2 l5 @# v7 H你是对的。
  }0 C6 s2 K0 m去掉了随机部分
#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
. B* g8 ^0 _7 ^7 @1 a( r27.002620697021484 14.826167106628418

- h7 c# O+ f; q) c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。