用法

引數列表

• parameters 一個由張量或單個張量組成的可迭代物件（模型引數）
• max_norm 梯度的最大範數
• nort_type 所使用的範數型別。預設為L2範數，可以是無窮大範數inf

設parameters裡所有引數的梯度的範數為total_norm，
若max_norm>total_norm，parameters裡面的引數的梯度不做改變;
若max_norm<total_norm，parameters裡面的引數的梯度都要乘以一個係數clip_coef

官方程式碼

def clip_grad_norm_(parameters, max_norm, norm_type=2):
    r"""Clips gradient norm of an iterable of parameters.
    The norm is computed over all gradients together, as if they were
    concatenated into a single vector. Gradients are modified in-place.
    Arguments:
        parameters (Iterable[Tensor] or Tensor): an iterable of Tensors or a
            single Tensor that will have gradients normalized
        max_norm (float or int): max norm of the gradients
        norm_type (float or int): type of the used p-norm. Can be ``'inf'`` for
            infinity norm.
    Returns:
        Total norm of the parameters (viewed as a single vector).
    """
    if isinstance(parameters, torch.Tensor):
        parameters = [parameters]
    #第一步
    parameters = list(filter(lambda p: p.grad is not None, parameters))
    max_norm = float(max_norm)
    norm_type = float(norm_type)
    if norm_type == inf:
        total_norm = max(p.grad.data.abs().max() for p in parameters)
    else:
        total_norm = 0
        for p in parameters:
        	#第二步
            param_norm = p.grad.data.norm(norm_type)
            #第三步
            total_norm += param_norm.item() ** norm_type
        total_norm = total_norm ** (1. / norm_type)
    clip_coef = max_norm / (total_norm + 1e-6)
    if clip_coef < 1:
        for p in parameters:
            p.grad.data.mul_(clip_coef)
    return total_norm

 

意義

這個函式的主要目的是對parameters裡的所有引數的梯度進行規範化
梯度裁剪解決的是梯度消失或爆炸的問題，即設定閾值，如果梯度超過閾值，那麼就截斷，將梯度變為閾值