继续请教问题:关于 Pytorch 的 Autograd

雷达

# C) m2 ]% N) I2 i
为预防老年痴呆，时不时学点新东东玩一玩。
Pytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
6 Y. e- M; R% b* n" h. Mimport numpy as np
! w3 z  S7 v- _1 u. L3 Mimport matplotlib.pyplot as plt
% P9 R0 z. j0 O3 t9 y2 [import random

: t& X/ D6 t4 _3 nx = 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
+ I% A8 w* c- t& O$ D+ d0 mb = torch.tensor(0.,requires_grad=True)
* t- s( m3 \% C  r$ y" S0 H2 k2 z9 `: K
epochs = 100

losses = []
: l/ I3 w, W+ h5 ofor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
& W6 O' S$ Y% ~( p8 i1 J+ A
) C0 Y, b& C  x* {0 ?9 ?  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
9 P( L$ g" Y) Q7 Y, R8 y; \  
  loss.backward() # autograd
  with torch.no_grad():
7 J( f8 L3 G: m5 l9 |, o0 ~, z, @    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  @1 `; m9 `8 _  w.grad.zero_()  
  b.grad.zero_()

8 }" x( v: u8 F* zprint(w.item(),b.item()) #结果
. s: C2 p" V) s" h# g6 p. \% R; ]2 R
Output： 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。
高手们帮看看是神马原因？

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？
-------
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。
* g  F* E4 Z1 d-------
) _5 p; X" l6 F6 S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？
) g& u, e: S# z( H/ }' Z7 Q-------
+ Z% U2 a1 o9 }0 G3 Z0 r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

雷达 发表于 2023-2-14 21:52
9 X9 W$ z4 ^8 r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 ...

4 ]5 K( V+ {" U3 P0 x9 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。
$ u* \+ l- p6 l6 Q1 {
或者把b但的起点改为1试试。

雷达

" ~2 F8 p7 Q- u, ~# O

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。
! U' g% @' s4 I0 o0 m
或者把b但的起点改为1试试。 ...

+ T+ v5 }* z* _9 Y
你是对的。
去掉了随机部分
; q7 W: G! @( O, e6 w8 m#y = (x*27+15+random.randint(-2,3)).reshape(-1)
% {% R; `6 M. S& @: F( q0 cy = (x*27+15).reshape(-1)

! ]5 F3 r3 P1 p! V7 X) k. F循环次数加成10倍，就看到 b 收敛了
w , b
- _( f0 E* f& }+ ?/ I27.002620697021484 14.826167106628418
" p$ F# G- H, d% F
* C! y2 F- D5 N0 J3 Y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。