继续请教问题:关于 Pytorch 的 Autograd

雷达

2 g( d1 i: R1 G2 z! }
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：
----------------------------------------------
- k- D2 H9 E5 x" D' v  |- uimport torch
import numpy as np
import matplotlib.pyplot as plt
import random

5 V4 P5 ]# o* |+ V4 o" yx = 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

  Z5 g+ L( o. c2 t/ y3 m. Q$ Rw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
5 `/ j2 l: Y8 J; ^; mb = torch.tensor(0.,requires_grad=True)

3 L+ n  V8 Y2 M7 G2 r0 tepochs = 100
* U9 ~/ \# _5 J' M7 l6 K# ~
losses = []
5 I* _6 F& Q9 U7 Q, Q0 Bfor i in range(epochs):
% N3 u& O! i' ~8 ?4 |( x$ V4 A  y_pred = (x*w+b)    # 预测
: V# Z8 W0 P# F3 p: j  y_pred.reshape(-1)
/ Z2 l# p+ D! y1 E; `
  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
$ P/ y$ O7 q5 @% ^0 V, [  H4 @  loss.backward() # autograd
  with torch.no_grad():
  g$ s  c# A9 Z  {9 r, _    w  -= w.grad*0.0001   # 回归 w
- o6 {5 P  M1 q3 |    b  -= b.grad*0.0001    # 回归 b
( W" }6 w  m# F7 f: W- s  w.grad.zero_()  
  b.grad.zero_()
$ c0 U/ y0 `% j
print(w.item(),b.item()) #结果
5 w) D- f* I$ d
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？
, |/ G# M* J: C- c; Q) M

老福

2 C7 P; k% y- M2 W! k) j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？
9 e1 l3 e% G. b7 P' m: c  {-------
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。
-------
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
3 Y* @9 \2 y6 m' R. Q6 p- Y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？
! W( f; }, A$ h-------
4 Y" U/ t% I, X  g) j( V/ @. x不好意思， ...

" d0 A* U+ \% {% R$ C8 L谢谢，算法应该没问题，就是最简单的线性回归。
" i$ Y) g( [6 q1 b" W0 X! u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 ...

: B+ _, R1 s5 e
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
7 w6 P/ V0 C0 h2 Q) 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。
, X; ^" W1 ]/ T$ {1 q- W
或者把b但的起点改为1试试。 ...

$ Y; x' s$ {- y1 ?  i4 M
- k* b$ j0 k) [0 D& \4 S你是对的。
去掉了随机部分
+ G6 a6 a" L' h2 d3 T#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
+ ]* o# B8 L) g0 b5 h
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

6 d* S: n- W$ J6 H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。