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：
3 A& ?* p; l4 L3 F6 |' S5 u----------------------------------------------
+ c1 `4 M% {9 q$ Nimport torch
# e; |* S( h$ vimport numpy as np
9 Q/ I, y) m# C0 h* c) uimport matplotlib.pyplot as plt
9 {' N( n4 J* r/ z7 s# e# a3 simport random

8 i& {7 s  z  w0 Y: m) wx = torch.tensor(np.arange(1,100,1))
: B; g- P- p* c' q, L, Dy = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
' A6 p# ~& ~( f
  V2 n3 c6 [/ t& Bw = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

/ }3 K/ J0 }" A6 ^* W- Xepochs = 100

" e, X- `) R- M% r/ _: Vlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
( u! e7 y2 t: n* y2 D+ c4 \  y_pred.reshape(-1)

0 _8 T! A8 v7 @8 v0 i( D  loss = torch.square(y_pred - y).mean()   #计算 loss
3 }$ z4 i2 p% @$ T$ m- \2 q  losses.append(loss)
' J  ^2 p& C, `9 a+ ]" y* k  
  loss.backward() # autograd
  with torch.no_grad():
/ F: a2 X9 d# _    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
' z( G) J6 J/ c4 B) c  w.grad.zero_()  
9 v* a5 O; U2 `% s% n2 K7 M0 R  b.grad.zero_()
* a1 v9 C: C' [( E) w8 V
7 e) E& p+ ~8 ?. K  M4 F" t3 {: mprint(w.item(),b.item()) #结果

# {/ X% y$ V( {" D( @Output： 27.26387596130371  0.4974517822265625
) C: ]0 C7 A/ b$ x; F1 q$ L----------------------------------------------
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。
/ U7 ?& h4 Y/ g高手们帮看看是神马原因？
& A; M  ?) I8 |) S; C

老福

, t" h; u, I) D* s4 ^7 r: w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。
-------
2 I: ?7 @6 o2 l6 W0 X9 e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？
( v/ |* o, y2 w% T6 ~4 A) @-------
不好意思， ...

4 v) d" q) k$ @+ H' m+ b, \1 Q# U谢谢，算法应该没问题，就是最简单的线性回归。
5 n' R2 Q3 |+ b& t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
$ p7 z+ b5 C' ]) X) a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 ...

; ]6 J1 F9 s& D" 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。
) f3 ?0 [! Z+ G' [! Y3 c
7 m- E. T5 V8 U$ g% T) T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
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。 ...

! L9 K& X: k0 _0 ]# G1 y9 s你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
y = (x*27+15).reshape(-1)
2 W+ S# C/ L+ Q0 P3 Y
循环次数加成10倍，就看到 b 收敛了
% V% P5 a5 P" N" l) d: Hw , b
" A3 R! E5 [' c2 T7 G: ?27.002620697021484 14.826167106628418
$ e" g0 n- a9 D
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。