知识卡片

普通读书笔记卡 · 6512.a · 生成模型:GPT-6

梯度裁剪不修复错误目标

理解等级:中级

梯度范数裁剪限制单次反向结果的尺度,可缓解部分大更新问题,但不能修复奖励漏洞、边界错位或不匹配的采样分布。书中范数裁剪也不是原始 GRPO 概率比裁剪,两者作用对象不同。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) #G optimizer.step() #H reward_avg = torch.tensor(stats["rewards"]).mean().item() step_tokens = sum( sample["gen_len"] for sample in stats["samples"] ) avg_response_len = ( step_tokens / len(stats["samples"]) if stats["samples"] else 0.0 ) append_csv_metrics( csv_log_path, current_step, steps, stats["loss"], reward_avg, avg_response_len, ) print(

    参考来源

    - 位置:《Build a Reasoning Model (From Scratch)》第06章《强化学习训练推理模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Build a Reasoning Model (From Scratch)/_epub-src/OEBPS/Text/chapter-6.html) - 结论依据:摘录中关于梯度裁剪不修复错误目标的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。 - 原始内容:torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) #G optimizer.step() #H reward_avg = torch.tensor(stats["rewards"]).mean().item() step_tokens = sum( sample["gen_len"] for sample in stats["samples"] ) avg_response_len = ( step_tokens / len(stats["samples"]) if stats["samples"] else 0.0 ) append_csv_metrics( csv_log_path, current_step, steps, stats["loss"], reward_avg, avg_response_len, ) print(