继续请教问题:关于 Pytorch 的 Autograd

雷达

* V, [! m7 W% v4 k2 G
' _6 E- n! R% _  H9 x9 L' I; N为预防老年痴呆，时不时学点新东东玩一玩。
4 k; w: c! L7 XPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
1 J# d' y$ y) M* ^9 B! u+ fimport torch
! w* K1 {& h+ x$ w% r' aimport numpy as np
import matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
4 S$ v% y6 ]$ P  Oy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
) ~! P" l% {# l+ Q$ |$ M4 S. z
' w5 F/ @# Q2 C7 a5 Iw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100
" E- c5 t( u6 E! L5 C6 C' g
/ n4 A, a# t. U: ^5 Blosses = []
for i in range(epochs):
$ b! W" l8 U  v  y_pred = (x*w+b)    # 预测
) d  |' i6 _) U  y_pred.reshape(-1)
* _" i9 Q8 `1 v  Q
# `# h! s$ T4 V; \9 G6 l  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
9 P' u9 A5 ]  `9 U  
  loss.backward() # autograd
* {. r6 S1 a: t6 P& W' {. g  with torch.no_grad():
4 N3 W+ t* ^" ]2 a2 l; G% m. M9 C    w  -= w.grad*0.0001   # 回归 w
" F6 y, b; a4 e& q  k) {$ _: L    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
% A. S& B3 e" A! _% ]+ e2 q  b.grad.zero_()
% c0 B1 k3 E/ \$ c( ?( d1 b
0 ]! @" ?+ {* ]print(w.item(),b.item()) #结果
8 @! t. c) s: ~( w% ?% W4 Y0 E+ }. C2 H
" R4 q) W8 c6 }) s/ |( UOutput： 27.26387596130371  0.4974517822265625
6 W/ [2 w+ T7 M. ?0 E( T----------------------------------------------
% }5 K( O7 |$ ]" \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？
: M" W7 g9 J( w7 u0 c

老福

. N5 X, R9 P/ `
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。
$ z1 R4 i3 y+ C6 d-------
. l7 A! Y5 u8 p" l, u3 B4 h' M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， ...

0 ^7 ~+ n2 q( u* N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
  C9 @1 W8 [/ ~* F) Q) 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 ...

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

3 z1 {4 R5 n* _' r' h: N3 E+ r2 u

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。

% e( `" `4 V2 h( t1 o; h或者把b但的起点改为1试试。 ...

# U3 {  g) S5 Q' u
你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
" d, K  n* l! c1 i# [
( y4 g; L& p( b8 E% S( S, F) k7 w循环次数加成10倍，就看到 b 收敛了
w , b
4 l/ H/ s2 j" v- R27.002620697021484 14.826167106628418

, [" Y9 u1 k2 q4 h% o& F1 M2 M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。