继续请教问题:关于 Pytorch 的 Autograd

雷达

3 t, S' q' `" d8 N
为预防老年痴呆，时不时学点新东东玩一玩。
3 x  F2 V! J4 }5 g9 w3 v- @! vPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
) ^1 H" }6 P$ b6 m# W+ D/ G6 \import numpy as np
2 r2 n) |3 x* ximport matplotlib.pyplot as plt
import random

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

w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
' ]% b5 i" X/ }, ~& R- ]
epochs = 100

) I; C- }3 s2 W! k# l; Hlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
; H, m2 }& `5 F* B( Z$ N  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
! ]6 b, Q. }, M3 I8 h    b  -= b.grad*0.0001    # 回归 b
, ]8 n% I5 [) }% R  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
" H* D, S( v6 l
Output： 27.26387596130371  0.4974517822265625
$ m; h  z% t. w( i' x, m----------------------------------------------
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。
/ V! i0 {: g4 g1 X高手们帮看看是神马原因？
& W( S  f/ a% y( M8 M

老福

0 _% n$ }* v9 y2 i* \( K+ B
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？
-------
% G1 J0 P8 R9 M4 P& ?/ K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。
) _! V" [! A7 \+ a-------
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？
-------
不好意思， ...

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

8 h- e1 l8 q: O. M: [

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。
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 _' t! N! w/ c, e8 m8 b' `3 @
+ ~2 ^5 \/ d/ \- @/ y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。
5 j1 X$ N0 P3 c
或者把b但的起点改为1试试。

雷达

! s* k; ]  p/ U/ V" w- c6 t! I

老福 发表于 2023-2-14 22:00
+ s& J* B& `7 H  r2 ~& q6 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。
6 _0 r2 n+ N' f
或者把b但的起点改为1试试。 ...

你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
% r' d( A5 ~' P" a/ K" A* Py = (x*27+15).reshape(-1)

; Z% M; |0 H) W循环次数加成10倍，就看到 b 收敛了
0 X# }6 `- O2 n) y! I/ Nw , b
, I# A! L8 J' [; O$ V: o27.002620697021484 14.826167106628418

  `6 E# u5 i* l' K* H. ?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。