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。
Pytorch 下面的代码做最简单的一元线性回归：
! ^" l4 o2 E7 A. O+ [* G" H6 W3 F----------------------------------------------
import torch
5 Y  {. [4 K4 `4 @; ]2 iimport numpy as np
import matplotlib.pyplot as plt
import random

x = torch.tensor(np.arange(1,100,1))
; I+ X: B! j/ U. l. l$ fy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

9 T$ _* A" b; A8 z( ]w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
; N; D% f$ y0 C8 \% R0 V2 e  ub = torch.tensor(0.,requires_grad=True)
- d3 k0 n# A6 E' q/ B
: R1 o4 s6 W+ t; c* }# s- H3 ^3 Qepochs = 100
2 U# t* f* l6 d) j( x
$ ]1 _: c% x8 g6 olosses = []
; p% r8 ^% _6 q, ]) ^! dfor i in range(epochs):
( F- v9 A% \- M) S/ u* x$ W  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
# w1 ?8 p  T* n: R0 h
6 z$ O" p; j7 y; d  loss = torch.square(y_pred - y).mean()   #计算 loss
. {- X7 b2 z8 ~8 x' F* g' _  losses.append(loss)
2 w9 {, n" e# G  
2 v' j& u8 Q  t& A$ ^9 S: F  @  loss.backward() # autograd
  _! {- A5 ^7 Z: a( F6 |4 s  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
$ h1 Z) L) R. ?7 {7 @    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
  b.grad.zero_()
8 v- {: }" R2 `5 f" v) j+ y! A# a$ u
print(w.item(),b.item()) #结果

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。
3 I; H7 T. g: a6 D$ `% r$ f高手们帮看看是神马原因？
; o2 D7 I$ X2 \( Q6 c, F1 [% S

老福

( v0 I! E; {/ e* \
, A% _! T; ?. k0 [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。
9 ~9 f' j% u1 h( A1 `7 e: u  _-------
8 `* F, s" i/ w2 _8 x/ Q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
* w$ q  y1 w* e* B( \, I) W- S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？
' T) X0 O# p0 T-------
" {. v3 V# u& B: U" u, S/ W不好意思， ...

谢谢，算法应该没问题，就是最简单的线性回归。
) i+ p8 J# Y, G- \+ R' K' x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 ...

; ?8 x) D4 }  U2 |! o5 X/ c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。
* _- F& b" ~& P  Z; c
4 t; W% ^' |6 W( L( h或者把b但的起点改为1试试。

雷达

" ~/ t& i) a* W" E7 ^

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。

或者把b但的起点改为1试试。 ...

你是对的。
- Q' J  r  _/ E) i8 \7 ]4 \去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
2 ]! h: I, y5 F
循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

% g& ?" j( q3 I! n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。