机器学习 · 函数

梯度裁剪

对模型梯度进行裁剪，防止梯度爆炸。对标 torch.nn.utils.clip_grad_norm_。参数: 模型: PyTorch 模型，梯度已经计算完成最大范数: 梯度的最大范数，默认为 1.0 返回: 总范数

调用签名(模型, 最大范数: 'float' = 1.0)

梯ZHONGWEN
PYTHON

Chinese example

中文代码示例

# 完整案例：按字段调用 梯度裁剪
设 结果 = 机器学习.梯度裁剪(
    模型=[1, 2, 3, 4],  # 必填；按函数业务含义传入 模型;首次使用建议先 打印(...
    最大范数=1.0,  # 可选；数值类型的 最大范数 参数,按函数业务含义传入对...
)
打印(结果)

可直接放进 .cs / .中py 文件运行。转换器会把中文代码交给真实 Python 解释器。

Parameters

参数说明

2 个参数

参数类型 / 传入方式说明

模型可选 · 默认无

未声明位置参数或字段名=值

按函数业务含义传入模型;首次使用建议先打印(结果) 确认其作用。

常见错误：漏传或对象为 None 会报 TypeError/AttributeError;先调用对应的创建函数拿到模型再传入

最大范数可选 · 默认 1.0

float位置参数或字段名=值

数值类型的最大范数参数,按函数业务含义传入对应浮点数。

常见错误：传非数值会报 TypeError;按数值类型传值

Playbook

基础用法 · 进阶组合 · 错误排查

# 完整案例：按字段调用 梯度裁剪
设 结果 = 机器学习.梯度裁剪(
    模型=[1, 2, 3, 4],  # 必填；按函数业务含义传入 模型;首次使用建议先 打印(...
    最大范数=1.0,  # 可选；数值类型的 最大范数 参数,按函数业务含义传入对...
)
打印(结果)

# 进阶组合:梯度裁剪 配合 机器学习 业务流使用
设 模型 = 机器学习.训练线性回归([[1], [2], [3]], [2, 4, 6])
设 结果 = 机器学习.梯度裁剪(
    模型=[1, 2, 3, 4],  # 必填
    最大范数=1.0,  # 可选
)
设 结果 = 机器学习.预测(模型, [[4]])
打印(结果)

# 错误排查:覆盖 1 个必填参数

## 参数 1: 模型
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.梯度裁剪()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.梯度裁剪(模型=[1, 2, 3, 4])
打印(结果)