知识卡片
梯度裁剪不修复错误目标
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?
这张卡片已通过人工审查,不再接受失败反馈。
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(