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。
& l: |4 d: i7 @9 N7 A0 cPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
: X/ D0 p* j$ }$ i9 eimport matplotlib.pyplot as plt
import random
4 I1 k0 B1 Q: n2 f! k
" N7 w- W5 f* @" M2 ?6 fx = torch.tensor(np.arange(1,100,1))
  E& u) F# h/ z3 _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
b = torch.tensor(0.,requires_grad=True)

epochs = 100

7 @" n) `/ T) u5 O+ Wlosses = []
for i in range(epochs):
  y_pred = (x*w+b)    # 预测
0 `" E' |: S+ @  f, f  y_pred.reshape(-1)
% V- i3 Q/ k( q) p
  loss = torch.square(y_pred - y).mean()   #计算 loss
% b" p' Z4 Q  K  losses.append(loss)
  
; w" X% z: H8 G6 J% T5 f  ~  loss.backward() # autograd
$ L0 W; Q1 {( m7 q4 {  w/ Q+ B3 C  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
0 u) P9 o9 d8 D. L" {& e3 s  w.grad.zero_()  
  b.grad.zero_()

print(w.item(),b.item()) #结果
1 V& h6 b( v+ Z8 g  i0 M+ y4 l
Output： 27.26387596130371  0.4974517822265625
; I+ `  K- S7 A3 W7 u6 m  C----------------------------------------------
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。
5 s2 f/ L9 \, M0 H高手们帮看看是神马原因？
/ x' `0 z$ {+ ~/ `

老福

  `3 `4 _( W$ Q, K; `0 N, g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。
-------
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
/ ?' @4 M" b+ a0 {1 V- M- }; z8 d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？
2 O) q$ ~2 A6 v5 k-------
9 E* w, I% j0 v: x* }: n7 H; X1 G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

" G; `; v. |! g9 r9 G) z% l

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 ...

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

  q/ c. G% H* ~/ c& G! R/ i

老福 发表于 2023-2-14 22:00
9 K) y# R/ O& b& W0 c. w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。
' ]  a9 h2 b; P
或者把b但的起点改为1试试。 ...

$ {) J3 x- _$ W" y/ ~
你是对的。
去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
+ b" m; l% S8 A8 }( k/ L4 xy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

1 H5 c7 ^6 ^# p) P1 d/ j  Z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。