继续请教问题:关于 Pytorch 的 Autograd

雷达

* ~2 V% F6 p& f- {. M3 X4 D+ U/ D为预防老年痴呆，时不时学点新东东玩一玩。
9 m- L* R4 k1 v4 MPytorch 下面的代码做最简单的一元线性回归：
+ c) H# r  v6 e% E3 Q----------------------------------------------
import torch
2 t9 K3 M+ u* }' Q! R& z: G# Nimport numpy as np
import matplotlib.pyplot as plt
) X% M& q: \) u$ r0 q8 dimport random

3 a6 N1 {9 x6 @+ J" }0 Q! {( X: ^x = torch.tensor(np.arange(1,100,1))
* @! P3 ~. _0 L/ N: cy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

$ ?& `! B5 [! ?' r7 [5 Zw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
! n8 ~, }  q8 m9 e! X/ u" t1 b8 r
epochs = 100

losses = []
for i in range(epochs):
3 y: N/ R4 i+ v7 H9 g  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
( X7 P' u) G5 h+ u8 k
7 g; f0 S$ S1 A  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
6 d/ |/ O' E8 I# s+ I2 l  
* ?. `) x& f! P, r  loss.backward() # autograd
  with torch.no_grad():
" e2 j) T' D. s# g; i    w  -= w.grad*0.0001   # 回归 w
% g0 d" p# s' c. O' _    b  -= b.grad*0.0001    # 回归 b
. A5 p* f4 J8 [2 I2 S  w.grad.zero_()  
/ N, v6 D0 a% r1 i- R& @  b.grad.zero_()

print(w.item(),b.item()) #结果
5 R0 e8 U& Z: U# v- i
: M: E1 u( `. I, @" ]% v2 nOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
& f& f, k9 J: V/ {+ X& U9 f  T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？
0 l" K) k& L$ v# Z' Z

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？
-------
) z3 F9 \4 ?: X2 {& i4 n5 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。
2 u3 P9 H/ v) g$ [2 g-------
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
- Z+ O/ d, {' t% l, E9 @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？
-------
# D3 i# X" L( ]: r( ]# l, m不好意思， ...

6 F' d4 g3 g( p6 V( ?谢谢，算法应该没问题，就是最简单的线性回归。
4 p' }* y6 K5 q# S% 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

! T& u- U6 O6 n; ?

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 ...

% z$ k# h$ f" P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。
  c' G3 W5 u% ]+ ~
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
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。
& w8 F" S3 w, x. H- Z, r
3 R% Z3 m& [3 c0 G2 ^, j6 _; H或者把b但的起点改为1试试。 ...

你是对的。
0 g1 U6 m8 w0 d- ~  t1 B去掉了随机部分
. j6 |0 q6 X4 X) R& ~4 ^# _#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
27.002620697021484 14.826167106628418

" \7 v' Z6 }$ M1 a2 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。