tf的clip_gradient实现

首先，我们平常再实现一次BP

tf.train.GradientDescentOptimizer(0.01).minimize(loss)

但是查看minimize()的源码

grads_and_vars = self.compute_gradients(
        loss, var_list=var_list, gate_gradients=gate_gradients,
        aggregation_method=aggregation_method,
        colocate_gradients_with_ops=colocate_gradients_with_ops,
        grad_loss=grad_loss)

    ...

    return self.apply_gradients(grads_and_vars, global_step=global_step,
                                name=name)

有compute_gradients和apply_gradients两步：

compute_gradients：计算各组权重梯度
apply_gradients：将梯度，以BP的公式更新权重

我们clip_gradient就是在compute_gradients步骤之后，对太大的gradient进行norm操作，防止gradient explosion。
主要的norm方法有以下四种：

1.tf.clip_by_value(t, clip_value_min,clip_value_max)

最简单的方式，大于clip_value_max的就令为clip_value_max；小于clip_value_min就令为clip_value_min。

import tensorflow as tf
import numpy as np

A = np.array([[1, 1, 2, 4], [3, 4, 8, 5]])

with tf.Session() as sess:
    print(sess.run(tf.clip_by_value(A, 2, 5)))

结果：

[[2 2 2 4]
 [3 4 5 5]]

2.tf.clip_by_norm(t, clip_norm)

先计算传入的t的$l_{2}norm$，如 $l_{2}norm(t)\le clip\_norm$，则t不变；否则$t_{clip\_norm}=\frac{t\ast clip\_norm}{l_{2}norm(t)}$ ，如：

import tensorflow as tf
import numpy as np

A = np.array([3., 4