继续请教问题:关于 Pytorch 的 Autograd

雷达

2 _5 R+ Q/ y2 ]9 L9 A2 i
& g# {! ]- H* O为预防老年痴呆，时不时学点新东东玩一玩。
8 m0 n3 l+ @6 dPytorch 下面的代码做最简单的一元线性回归：
: o) v( j: p5 Y% ]----------------------------------------------
import torch
) q6 R7 ]0 O, o# F& Z' h; m+ Yimport numpy as np
import matplotlib.pyplot as plt
) @; a# o$ @6 r9 w$ Timport random
; n% I% O& h% d0 ]
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

; }  d) \! ^6 g+ gw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
8 Z4 h1 R( q3 ib = torch.tensor(0.,requires_grad=True)
& x9 L! e/ z! l' k4 ?' x/ c
epochs = 100
# u, @% o, a7 e6 ]9 a
; a6 j* i' P, H# T& Mlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
& f  k" }! J) T$ v; N) N  y_pred.reshape(-1)
8 ?  r# F- U7 c
  loss = torch.square(y_pred - y).mean()   #计算 loss
  c/ B0 j$ z; q, d6 z; Z  losses.append(loss)
  
  loss.backward() # autograd
! U" U  x; w; h; A  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
" [/ P; O, Y7 e( X* y" [- \; O, K    b  -= b.grad*0.0001    # 回归 b
+ c9 v: ]. B! N0 d% w: `; U  w.grad.zero_()  
  b.grad.zero_()

: h: Y6 Z" }* Z1 ?' j# k8 pprint(w.item(),b.item()) #结果
8 E" O; i4 b. d# I6 ~; D! W
Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
+ F- n$ F4 X# k- ~) i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。
9 T. R5 N9 Z3 z; r# M) a! V高手们帮看看是神马原因？
8 y: U1 Y3 M/ J6 n

老福

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？
-------
' f0 m: E/ x) H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。
; e/ Y2 d0 k8 \" S+ w$ d2 J-------
8 P7 u* r9 }; D0 t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
1 E% `8 R: v" C/ {- ]8 A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？
# v: @- i, r: V8 m- [  X-------
/ a0 e! o% |% P6 n; k不好意思， ...

9 ?/ G! |+ E5 c  [: t* ?谢谢，算法应该没问题，就是最简单的线性回归。
0 m! w: E6 c; J$ @* [0 ~" g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
4 K0 s" m/ L  u  m. j9 g/ n! D谢谢，算法应该没问题，就是最简单的线性回归。
7 l4 s3 ?* L  G. o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 ...

: d# B1 k( n! \7 c4 C. S
6 V- X" R8 i' o: 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。

或者把b但的起点改为1试试。

雷达

. V! N8 O/ h3 n* o/ U* \" v, B

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。

9 W* m) i5 A2 a  f( D) P或者把b但的起点改为1试试。 ...

$ `* R! ]) U1 J4 S# z你是对的。
去掉了随机部分
! ?+ b& P/ A+ G; O, q#y = (x*27+15+random.randint(-2,3)).reshape(-1)
; N% U% x% z" {y = (x*27+15).reshape(-1)

3 T. o! m3 x$ f/ V2 W8 b循环次数加成10倍，就看到 b 收敛了
) G. c, N$ T/ Q. o/ U' H3 Rw , b
& U, p2 ^% R# \4 s6 u& u7 c# n27.002620697021484 14.826167106628418

: N- h1 L* @! V; D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。