Pytorch не обновляет переменные в .step () - PullRequest
Новая
       44

Pytorch не обновляет переменные в .step ()

0 голосов
/ 31 марта 2019

Я пытаюсь преобразовать старый код в код PyTorch в качестве эксперимента.В конечном счете, я буду делать регрессию на матрице 10 000+ x 100, обновлять веса и тому подобное соответствующим образом.

Пытаясь учиться, я постепенно увеличиваю количество примеров игрушек.Я бью стену с помощью следующего примера кода. 

import torch 
import torch.nn as nn 
import torch.nn.functional as funct  
from torch.autograd import Variable 



device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") 

x_data = Variable( torch.Tensor( [ [1.0, 2.0], [2.0, 3.0], [3.0, 4.0] ] ), 
requires_grad=True )
y_data = Variable( torch.Tensor( [ [2.0], [4.0], [6.0] ] ) ) 

w = Variable( torch.randn( 2, 1, requires_grad=True ) )

b = Variable( torch.randn( 1, 1, requires_grad=True ) )


class Model(torch.nn.Module) :
    def __init__(self) :
        super( Model, self).__init__()
        self.linear = torch.nn.Linear(2,1) ## 2 features per entry. 1 output
    def forward(self, x2, w2, b2) :
        y_pred = x2 @ w2 + b2
        return y_pred


model = Model()

criterion = torch.nn.MSELoss( size_average=False )
optimizer = torch.optim.SGD( model.parameters(), lr=0.01 )

for epoch in range(10) :
    y_pred = model( x_data,w,b ) # Get prediction
    loss = criterion( y_pred, y_data ) # Calc loss
    print( epoch, loss.data.item() ) # Print loss
    optimizer.zero_grad() # Zero gradient 
    loss.backward() # Calculate gradients
    optimizer.step() # Update w, b

Однако при этом моя потеря всегда одинакова, и расследование показывает, что мои w и b фактически никогда не меняются.Я немного растерялся из-за того, что здесь происходит.

В конечном счете, я хотел бы иметь возможность хранить результаты «новых» w и b для сравнения по итерациям и наборам данных.

1 Ответ

2 голосов
/ 01 апреля 2019

Для меня это похоже на случай программирования груза.

Обратите внимание, что ваш класс Model не использует self в forward, поэтому он фактически является "обычным" (не метод), и model полностью без сохранения состояния.Самое простое исправление в вашем коде - сделать optimizer осведомленным о w и b, создав его как optimizer = torch.optim.SGD([w, b], lr=0.01).Я также переписываю model как функцию 

import torch
import torch.nn as nn
# torch.autograd.Variable is roughly equivalent to requires_grad=True
# and is deprecated in PyTorch 1.0

# your code gives not reason to have `requires_grad=True` on `x_data`
x_data = torch.tensor( [ [1.0, 2.0], [2.0, 3.0], [3.0, 4.0] ])
y_data = torch.tensor( [ [2.0], [4.0], [6.0] ] )

w = torch.randn( 2, 1, requires_grad=True )
b = torch.randn( 1, 1, requires_grad=True )

def model(x2, w2, b2):
    return x2 @ w2 + b2

criterion = torch.nn.MSELoss( size_average=False )
optimizer = torch.optim.SGD([w, b], lr=0.01 )

for epoch in range(10) :
    y_pred = model( x_data,w,b )
    loss = criterion( y_pred, y_data )
    print( epoch, loss.data.item() )
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

При этом nn.Linear создан для упрощения этой процедуры.Он автоматически создает эквиваленты w и b, называемые self.weight и self.bias соответственно.Кроме того, self.__call__(x) эквивалентно определению форварда вашего Model в том смысле, что он возвращает self.weight @ x + self.bias.Другими словами, вы также можете использовать альтернативный код 

import torch
import torch.nn as nn

x_data = torch.tensor( [ [1.0, 2.0], [2.0, 3.0], [3.0, 4.0] ] )
y_data = torch.tensor( [ [2.0], [4.0], [6.0] ] )

model = nn.Linear(2, 1)

criterion = torch.nn.MSELoss( size_average=False )
optimizer = torch.optim.SGD(model.parameters(), lr=0.01 )

for epoch in range(10) :
    y_pred = model(x_data)
    loss = criterion( y_pred, y_data )
    print( epoch, loss.data.item() )
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

, где model.parameters() можно использовать для перечисления параметров модели (эквивалентно списку, созданному вручную [w, b] выше).Для доступа к вашим параметрам (загрузка, сохранение, печать и т. Д.) Используйте model.weight и model.bias.

...