在 PyTorch 中使用反向传播和梯度下降寻找参数

Question

我正在试验 PyTorch、自微分和梯度下降

为此，我想估计会在参数函数中对任意线性产生特定值的参数。

我的代码在这里：

import torch

X = X.astype(float)

X = np.array([[3.], [4.], [5.]])

X = torch.from_numpy(X)

X.requires_grad = True

W = np.random.randn(3,3)

W = np.triu(W, k=0)

W = torch.from_numpy(W)

W.requires_grad = True

out = 10 - (X@torch.transpose(X, 1,0) * W).sum()

out 是：

我的objective是通过W的梯度调整W使out接近0（在[-.00001 , 0.0001]的区间内）。

我应该如何从这里开始用 pytorch 实现这个目标？

更新

@Umang：这就是我运行你建议的代码时得到的结果：

实际上算法是发散的。

Answer 1

# your code as it is
import torch
import numpy as np 

X = np.array([[3.], [4.], [5.]])
X = torch.from_numpy(X)
X.requires_grad = True
W = np.random.randn(3,3)
W = np.triu(W, k=0)
W = torch.from_numpy(W)
W.requires_grad = True

# define parameters for gradient descent
max_iter=100
lr_rate = 1e-3

# we will do gradient descent for max_iter iteration, or convergence till the criteria is met.
i=0
out = compute_out(X,W)
while (i<max_iter) and (torch.abs(out)>0.01):
    loss = (out-0)**2
    W = W - lr_rate*torch.autograd.grad(loss, W)[0]
    i+=1
    print(f"{i}: {out}")
    out = compute_out(X,W)

print(W)

我们定义了一个损失函数，使其最小值位于所需点和运行梯度下降。在这里，我使用了平方误差，但您也可以使用其他具有所需最小值的损失函数。

在 PyTorch 中使用反向传播和梯度下降寻找参数

Finding parameters with backpropagation and gradient descent in PyTorch

python-3.x

pytorch

gradient-descent

backpropagation

更新