继续请教问题:关于 Pytorch 的 Autograd

雷达

6 P! s& }3 W, Z& Z9 o
' m' D. v: k8 s' A7 Q. i8 N为预防老年痴呆，时不时学点新东东玩一玩。
1 @3 E5 k( i+ M" ~Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
/ z1 {3 @6 \8 |. }; rimport numpy as np
0 b: \9 w6 {. h4 Q; M" W% B1 Iimport matplotlib.pyplot as plt
import random
) N1 g  ~6 |. i  R7 S( a
x = torch.tensor(np.arange(1,100,1))
! k2 ?% I8 k- l( _0 Q( Xy = (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)

0 C0 Z) z& p. ^8 y& Y0 kepochs = 100
* t5 ?5 o3 \/ a0 N7 K* T; l, g
losses = []
1 O, R8 a; W0 p% Z) t/ j$ f4 \2 y7 bfor i in range(epochs):
7 ]7 e' i8 q! x! d  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)

  loss = torch.square(y_pred - y).mean()   #计算 loss
" @0 [9 Z, E1 b2 R8 O  losses.append(loss)
  
  x" ^4 m: |, k  D1 [- }  loss.backward() # autograd
  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
) f0 ]) t3 ]) K/ G
- J: T8 I; q  F$ t9 O, s: qOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
2 c" a: E: t3 d/ O; @6 J4 q, J7 X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

0 \+ X$ z; W4 L8 T( ^; u" U$ Y9 v0 }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？
% |5 Y( u) i5 P' t, i* P8 ]9 W9 [-------
; [% N- |# Y& B: C( ^! H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。
! Z. T4 w' G& s5 h- c-------
! F7 c4 R0 Q. M- K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
  G, ^9 d# w2 c6 m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？
" V; u# h: p  M1 Y7 T% B  f-------
不好意思， ...

0 ?. a; b9 f: w+ B+ O- W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
谢谢，算法应该没问题，就是最简单的线性回归。
! _  b: Z1 I5 ^7 k2 w7 \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 ...

: ~' [$ F: i, g' _! [5 c* m
" D, t- q0 I( _9 m' Z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

老福 发表于 2023-2-14 22:00
* T0 L" z, F4 L, k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。

  b# B+ n* m6 s或者把b但的起点改为1试试。 ...

. |. A8 E) ]: f  }5 ]
1 N. |, q! |" Y! v9 T/ S你是对的。
$ o4 o* _- t+ [; M, a去掉了随机部分
, [1 u! }% b. k6 p#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)

1 a- [8 x2 S8 Z4 j2 B循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

# G, w* b$ W7 I' W, ~; w  ~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。