继续请教问题:关于 Pytorch 的 Autograd

雷达

4 y; t* J2 i5 H4 ?为预防老年痴呆，时不时学点新东东玩一玩。
9 {; W5 d& x8 }3 j# l) XPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
0 F  p. H- g+ x4 H* Q4 [import numpy as np
import matplotlib.pyplot as plt
6 Z6 M0 i: Z6 N. x+ H! r; Timport random

x = torch.tensor(np.arange(1,100,1))
6 t' P' D4 l3 n. By = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
, Y" [! d8 K* @5 j3 ~1 C0 q
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
% q5 o, q% i, n- @b = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
. b0 w+ l  P: {9 kfor i in range(epochs):
  y_pred = (x*w+b)    # 预测
  y_pred.reshape(-1)
/ s& W! f$ |/ l1 l" q6 G0 A
, ^' ^  c, P: d) Y. g  loss = torch.square(y_pred - y).mean()   #计算 loss
# S; K) n7 _) J, H! B  losses.append(loss)
. a9 f: x' ?8 I9 X! d. ]  
- R& \- ?) L6 v& q$ }( A  loss.backward() # autograd
  with torch.no_grad():
7 \7 Y1 r! ?' q2 R) e+ o+ @    w  -= w.grad*0.0001   # 回归 w
' G. o: s2 {, D* t" \  V    b  -= b.grad*0.0001    # 回归 b
& R6 q1 [) p& `* K- V  w.grad.zero_()  
4 B( Q. }# k) j0 C& q& Z3 W# k4 n4 j  b.grad.zero_()

print(w.item(),b.item()) #结果
$ O" y3 z) u# n2 W
Output： 27.26387596130371  0.4974517822265625
9 i; C7 Z# q# ~----------------------------------------------
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？
- a) q& \7 {3 V6 M

老福

  k) B6 o# y; t, t/ Q% W+ z
2 j5 B4 R8 P& H, 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？
7 @8 J- C$ v$ P" s2 T$ S-------
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。
; A1 i$ H! N: N-------
  k, w9 O6 L4 L( ?% l# p9 `( M1 ]9 x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
- h/ l! s  ~) Q9 F5 X) b. L/ j! l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？
: h& \" a% V7 [$ m-------
& M4 @" S9 e! e4 M/ _不好意思， ...

. G$ e" |# o! s谢谢，算法应该没问题，就是最简单的线性回归。
+ @; [  Y$ i. I9 [( A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
- \8 M' K9 @2 O( ?, `2 X' @. M# y6 {谢谢，算法应该没问题，就是最简单的线性回归。
! ~1 {! o1 p' @: Q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 ...

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。
6 p* x& Z  N9 K& v1 s
3 [# y) q  x+ w或者把b但的起点改为1试试。

雷达

5 B' W% C* J4 D+ [

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。 ...

. y% w5 M, M# q5 L
你是对的。
去掉了随机部分
3 j: j& a2 k1 W0 _/ r2 X( r1 E#y = (x*27+15+random.randint(-2,3)).reshape(-1)
$ X% H8 b% E% j: ^. w0 my = (x*27+15).reshape(-1)
- \! n  t# d* r0 x
循环次数加成10倍，就看到 b 收敛了
& y4 {7 c0 W3 p/ t6 cw , b
27.002620697021484 14.826167106628418
% E4 y4 r- i0 f: j' _$ h5 i
$ w) P/ v5 c9 |6 E/ H. S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。