继续请教问题:关于 Pytorch 的 Autograd

雷达

' z% ^3 \6 B: m/ F+ o( W8 w0 Z
8 a8 f% E4 b0 J- ^7 @为预防老年痴呆，时不时学点新东东玩一玩。
0 U5 |  l; [# ]) N# Y: QPytorch 下面的代码做最简单的一元线性回归：
5 r; {; w) l" k4 Y1 Y# L----------------------------------------------
4 }4 l9 _. D# Q+ H7 A6 Kimport torch
2 v+ T5 |$ u1 u  o+ ?) }import numpy as np
; ^; S/ j: Y1 C2 u+ f. ?import matplotlib.pyplot as plt
import random
6 E6 A) Q; s8 Z5 _8 U
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
9 w+ J6 {# x1 p: L+ ?  w9 V, d
# i- b* [) k5 P) p" fw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
/ m! @/ ]+ J* \: L5 W. B0 v  Q" Lb = torch.tensor(0.,requires_grad=True)
: `& f5 `; h9 D8 [
epochs = 100
9 o9 Y) @( J1 @+ V8 r: D4 c( p! }
& D/ ~" [3 a/ i- ^: S" mlosses = []
& \0 g5 W# x/ K3 \4 Gfor i in range(epochs):
, w% [/ q! k' o6 l( r  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
+ N5 J) ~& w* K7 }
, }9 u" S& A4 D* m& u4 N. F  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
% Y: j6 y4 {6 N' o+ B7 X! }0 U  
  loss.backward() # autograd
/ }. w- K5 O5 Z$ D+ F. N  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
- v- {. z1 p# j0 T& k    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
: R. w  v  V) m+ {
print(w.item(),b.item()) #结果

Output： 27.26387596130371  0.4974517822265625
----------------------------------------------
, E" Y, S- F! t3 e7 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。
高手们帮看看是神马原因？

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？
-------
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
6 \) e2 R" N) @) i7 G! ~- z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？
-------
4 e3 q, G( n. a; F! r, ]+ p& c不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
# N5 F, k0 ~  P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
# {6 t, ^/ k/ N8 S& L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 ...

. a; e& i4 C# X1 n
; q2 P1 w4 R+ @: o. g* I, s% \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 z% ^7 W+ Q0 P5 `. M5 p
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
3 F% M( k$ ]7 C. B3 g; h2 L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。

8 d: F1 m4 e1 j1 n. l' `* T或者把b但的起点改为1试试。 ...

3 b% o4 u1 s( R" I
你是对的。
- x& [  C5 q8 R  X! Q( V" y, @1 d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
( A' T0 B3 p( t( P$ U27.002620697021484 14.826167106628418
0 ~+ }5 ?/ C) B' J* _5 o' L* 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。