梯度裁剪是解决什么问题的？按值裁剪和按范数裁剪有什么区别？裁剪阈值你会怎么定？

面试官在考什么

考察工程细节与超参依据，而不是知道有这么个 API

梯度裁剪训练稳定性学习率调度

回答框架 · 前两步

1. 解决梯度爆炸导致的训练不稳定（loss 尖峰、参数被一步打飞）
2. 按值裁剪逐元素截断会改变梯度方向；按范数裁剪整体等比例缩放，保持方向不变

同一能力域的其他题

• 训练一个深度学习模型时，loss 突然变成 NaN，你会按什么顺序排查？请给出你的排查清单。
• 显存不够时你会怎么办？请按"最小改动到最大改动"排序给出你的方案。
• 你的模型离线指标很好但线上效果很差，你会从哪些角度排查？请按优先级说。
• 模型参数量、FLOPs、显存占用、推理延迟这四个指标之间是什么关系？为什么参数量小的模型有时反而更慢？
• 你要在 A100 上训练一个 1B 参数的语言模型。用 fp16 + GradScaler 的 AMP 方案时，loss 能降但曲线比纯 fp32 抖动明显，大约 2000 步时突然出现溢出、之后又恢复。同事说「直接换 bf16 就行了，bf16 比 fp16 精度高」。请回答三件事：(1) fp16 和 bf16 在指数位/尾数位上到底差在哪；(2) 为什么 bf16 通常不需要 loss scaling 而 fp16 需要；(3) 换成 bf16 后你预期抖动、溢出和最终收敛会怎么变，代价是什么。
• 你在 8 张 80GB GPU 上训练一个 1B 参数模型，AdamW，每卡 batch size 4、序列长度 2048。开启 AMP 后，loss 在第 200 步左右周期性出现 inf，关闭 AMP 后正常；数据未变，lr 未变。你会先检查哪三个点？在 fp16+loss scaling 与 bf16 之间如何选？