裁剪梯度以防止梯度爆炸
限制策略更新幅度,防止新策略与旧策略偏离过大导致训练不稳定
裁剪奖励值以防止奖励过大
限制生成文本的最大长度
这道题你会答吗?花几分钟告诉大家答案吧!
扫描二维码,关注牛客网
下载牛客APP,随时随地刷题