梯度裁剪需在loss.backward()后、optimizer.step()前调用clip_grad_norm_，它原地修改梯度、支持none梯度、返回裁剪前范数；clip_grad_value_适用于梯度分布均匀的简单模型，二者不可混用。
PyTorch 中梯度裁剪不是模型定义的一部分，而是在 optimizer.step() 之前对 model.parameters() 的梯度做原地修改 —— 忘记这一步，裁剪就完全失效。
为什么 torch.nn.utils.clip_grad_norm_ 是首选
它直接操作参数的 grad 属性，支持按范数（L2）或值（L∞）裁剪，且能处理含 None 梯度的参数（比如被 requires_grad=False 冻结的层），不会报错。比手动遍历 clip_grad_value_ 更鲁棒，尤其适合带 embedding 或 RNN 的模型。
常见错误现象：RuntimeError: grad is None —— 这往往是因为调用位置错了，或某些参数没参与当前 backward。
- 必须在
loss.backward()之后、optimizer.step()之前调用 - 推荐传入整个模型参数列表：
model.parameters()，而非单层参数，避免漏裁 - 阈值
max_norm通常设为 1.0（NLP 常见）、5.0（CV 稍宽松），太小会导致训练停滞，太大等于没裁 - 返回值是裁剪前的总梯度范数，可用于调试：
total_norm = torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
clip_grad_value_ 适合什么场景
它对每个参数的梯度单独截断到 [-clip_value, clip_value] 区间，不考虑参数规模差异，因此更适用于梯度分布较均匀、或你明确知道异常梯度只出现在特定范围的简单模型（如小型 MLP）。不适合 embedding 层或不同尺度参数混用的结构。
- 调用方式类似：
torch.nn.utils.clip_grad_value_(model.parameters(), clip_value=1e-2) - 如果某个参数梯度全为
None，它会跳过，不报错 - 注意：该函数没有返回值，无法感知是否真发生了裁剪
- 和
clip_grad_norm_不能混用，否则后者可能被前者覆盖，导致裁剪逻辑混乱
容易被忽略的两个细节
一是分布式训练（DDP）下，梯度在 backward() 后已自动同步，clip_grad_norm_ 只需在主进程调用一次即可，无需加 if rank == 0 判断；二是使用混合精度（torch.cuda.amp）时，必须在 scaler.step(optimizer) 前裁剪，且应作用于 scaler.unscale_(optimizer) 之后的梯度 —— 否则裁剪的是缩放前的小数值，等效阈值被放大了 scaler.get_scale() 倍。
- AMP 正确顺序：
loss.backward()→scaler.unscale_(optimizer)→clip_grad_norm_(...)→scaler.step(optimizer) - 若用
torch.compile，裁剪仍需放在 Python 控制流中，不能被编译进图里
梯度裁剪本身不改变模型结构或前向逻辑，但它依赖你对 backward 调用时机和 optimizer 生命周期的准确把握；一旦插入位置错位，就只剩心理安慰作用。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
