tensorflow中主要有4种不同的clip方式：
1.tf.clip_by_value
2.tf.clip_by_norm
3.tf.clip_by_global_norm
4.tf.clip_by_average_norm
1.tf.clip_by_value
这个函数比较简单，将t的值clip在[clip_value_min,clip_value_max].
if t>clip_value_max
t = clip_value_max；
if t <clip_value_min
t = clip_value_min.
2.tf.clip_by_norm
l2-norm
这个范数是最常用的。它的应用在科学和工程领域中随处可见。下面是其定义：
它也就是众所周知的欧几里得范数（Euclidean norm）。
t 为要clip的tensor
clip_norm:是一个最大的clip的数
if clip_norm >= l2_norm
t = t
else
t = t*clip_norm/l2norm(t)
axes = 1对每一个行做l2_norm的clip_norm
axes = 0 就是对列做
3.tf.clip_by_global_norm
t_list 是梯度张量， clip_norm 是截取的比率, 这个函数返回截取过的梯度张量和一个所有张量的全局范数。
t_list[i] * clip_norm / max(global_norm, clip_norm)
其中global_norm = sqrt(sum([l2norm(t)**2 for t in t_list]))
global_norm 是所有梯度的平方和，如果 clip_norm > global_norm ，就不进行截取。
但是这个函数的速度比clip_by_norm() 要慢，因为在截取之前所有的参数都要准备好。
Gradient Clipping的引入是为了处理gradient explosion或者gradients vanishing的问题。当在一次迭代中权重的更新过于迅猛的话，很容易导致loss divergence。Gradient Clipping的直观作用就是让权重的更新限制在一个合适的范围。
具体的细节是
１．在solver中先设置一个clip_gradient
２．在前向传播与反向传播之后，我们会得到每个权重的梯度diff，这时不像通常那样直接使用这些梯度进行权重更新，而是先求所有权重梯度的平方和sumsq_diff，如果sumsq_diff > clip_gradient，则求缩放因子scale_factor = clip_gradient / sumsq_diff。这个scale_factor在(0,1)之间。如果权重梯度的平方和sumsq_diff越大，那缩放因子将越小。
３．最后将所有的权重梯度乘以这个缩放因子，这时得到的梯度才是最后的梯度信息。
这样就保证了在一次迭代更新中，所有权重的梯度的平方和在一个设定范围以内，这个范围就是clip_gradient.
4.tf.clip_by_average_norm
这个感觉跟tf.clip_by_norm差不多，只是把将分母的l2_norm改成了l2norm_avg。
