继续请教问题:关于 Pytorch 的 Autograd

雷达

为预防老年痴呆，时不时学点新东东玩一玩。
  e$ o) z# x" `Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
+ s, t0 P! p  \; Q+ L; H! Iimport numpy as np
; I8 o& h  W  B% L' N" g" nimport matplotlib.pyplot as plt
import random
9 ]2 O8 N3 q! A
x = torch.tensor(np.arange(1,100,1))
+ J" q7 v& s: A& Oy = (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
3 R4 F9 t: a2 |; f, N/ a7 eb = torch.tensor(0.,requires_grad=True)

: h+ ?8 D% z$ C9 R. n0 v2 tepochs = 100
8 K0 u9 }  u8 O9 B6 |: D
losses = []
& Z/ j; r! k1 J2 ~  dfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
% f! W2 h2 ]* J. X
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
6 M) b% |8 F/ [. f  
0 J! |0 v) W# }; A( J  loss.backward() # autograd
2 k6 H( T$ K* C" ]* V  with torch.no_grad():
# ]9 T1 M) ^( v# O# R! o    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
5 b! \8 l- o8 X% `  b.grad.zero_()
" K; O  O5 U' S6 ^( S$ T
print(w.item(),b.item()) #结果

1 m! @4 L! L! aOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
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。
& J9 D' p" h; H. e高手们帮看看是神马原因？
+ x4 V% U3 Q4 b& P5 k: q) K

老福

# D, M0 x) B& }1 O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。
-------
- |$ t0 v7 H/ v" o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？
-------
; j; ?  A  K4 ~, E' k不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
# }2 g. H& r# E0 k( c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
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 ...

) ?9 ^+ |) A4 r! z. v& Y; l9 c  T: r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。
$ C4 F& ^# V0 g" a) d2 p7 B
2 f( Z' z% ~: g! ?% t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
5 [" ]" t9 ?6 _7 U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。 ...

' j7 h3 F) g; ^0 j# w9 [1 v1 X/ |
你是对的。
8 F0 m) }3 a8 u) h: U3 {' @去掉了随机部分
. X+ \: a$ O8 q: U8 j; e0 Q, Q, w#y = (x*27+15+random.randint(-2,3)).reshape(-1)
8 A# [& {2 v2 l( f( Ny = (x*27+15).reshape(-1)
; j, Q8 p# W2 t6 B+ m1 L7 K  {
5 E8 P% Y9 [/ u; b5 t循环次数加成10倍，就看到 b 收敛了
& X1 V( l0 J" r7 Y5 [$ s! j0 w' E4 Ew , b
27.002620697021484 14.826167106628418

+ o: S8 s8 {1 \/ F% y! Z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。