ClipGradByGlobalNorm

class paddle.nn.ClipGradByGlobalNorm ( clip_norm, group_name\=’default_group’ ) [源代码]

将一个 Tensor列表

中所有Tensor的L2范数之和，限定在 clip_norm 范围内。

• 如果范数之和大于 clip_norm ，则所有 Tensor 会乘以一个系数进行压缩

• 如果范数之和小于或等于 clip_norm ，则不会进行任何操作。

输入的 Tensor 不是从该类里传入， 而是默认选择优化器中输入的所有参数的梯度。如果某个参数 ParamAttr 中的 need_clip 值被设置为 False ，则该参数的梯度不会被裁剪。

该类需要在初始化 optimizer 时进行设置后才能生效，可参看 optimizer 文档(例如： SGD )。

裁剪公式如下：

其中：

global_norm\=∑i\=0n−1(l2norm(t_list[i]))2‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾⎷global_norm\=∑i\=0n−1(l2norm(t_list[i]))2

参数:

• clip_norm (float) - 所允许的范数最大值

• group_name (str, optional) - 剪切的组名

代码示例

import paddle
x = paddle.uniform([10, 10], min=-1.0, max=1.0, dtype='float32')
linear = paddle.nn.Linear(in_features=10, out_features=10,
                          weight_attr=paddle.ParamAttr(need_clip=True),
                          bias_attr=paddle.ParamAttr(need_clip=False))
out = linear(x)
loss = paddle.mean(out)
loss.backward()
clip = paddle.nn.ClipGradByGlobalNorm(clip_norm=1.0)
sdg = paddle.optimizer.SGD(learning_rate=0.1, parameters=linear.parameters(), grad_clip=clip)
sdg.step()