你的代码里写了 clip_grad_norm_(model.parameters(), max_norm=1.0)，训练配置是 8 卡 DDP + AMP(fp16 + GradScaler)。现在有人问你这个调用应该放在哪个位置：loss.backward() 之后、scaler.step() 之前，还是之后？在 DDP 下你拿到的梯度是单卡的还是全卡同步后的？如果顺序放错，训练会表现出什么现象？请依次说清楚。

面试官在考什么

考察是否理解梯度裁剪对执行顺序、unscale、DDP 梯度同步这三件事的依赖，而不是把 clip 当成一行无害的模板代码。

梯度裁剪

回答框架 · 前两步

1. clip_grad_norm_ 必须放在 backward 之后、optimizer.step() 之前；在 AMP 下还必须在 scaler.unscale_() 之后，否则裁剪的是被放大后的梯度，等效阈值被放大 scale 倍。
2. 它计算的是所有参数梯度张量拼起来后的全局 L2 范数，若大于 max_norm 就整体按比例缩放，方向不变、只改模长。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「深度学习基础」方向页

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。
• 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？
• 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。