在用bilstm+crf訓練命名實體識別時，採用梯度修剪策略，最小化損失

with tf.variable_scope('crf'):
    self.log_likelihood, self.transition_params = crf.crf_log_likelihood(inputs=self.logits,tag_indices=self.targets,sequence_lengths=self.sequence_length)

with tf.name_scope('loss'):
    #因為我們希望self.log_likelihood最大，所以相當於求-self.log_likelihood的最小值
 

    self.log_loss = tf.reduce_mean(-self.log_likelihood)
    #正則
    self.l2_loss = tf.contrib.layers.apply_regularization(
        regularizer=tf.contrib.layers.l2_regularizer(0.0001),
        weights_list=tf.trainable_variables())
    self.loss = self.log_loss+self.l2_loss

self.train_summary = tf.summary.
 
scalar('loss',self.loss)
self.vali_summary = tf.summary.scalar('loss',self.loss)
# self.merged = tf.summary.merge_all()
optimizer = tf.train.AdamOptimizer(self.learning_rate)
# optimizer = tf.train.GradientDescentOptimizer(self.learning_rate)
#獲取所有可訓練的向量
tvars = tf.trainable_variables()
#gradients是計算向量，輸入是loss和所有trainable的向量。
 

#clip_by_global_norm是梯度縮放輸入是所有trainable向量的梯度，和所有trainable向量，返回第一個clip好的梯度，第二個globalnorm
grads, _ = tf.clip_by_global_norm(tf.gradients(self.loss, tvars), self.clip_grad)
#apply_gradients是tf.train.Optimizer.minimize實際操作中兩步中的一步，minizie其實是分了兩步運算，第一步計算梯度tf.train.Optimizer.compute_gradients和第二步更新梯度
#tf.train.Optimizer.apply_gradients，由於我們已經計算股哦梯度了，所以我們只用更新梯度就可以了，輸入格式就是如下zip(梯度向量，變數向量)
#tvars的格式可以參考這篇部落格：https://blog.csdn.net/u014595019/article/details/52805444
self.train_op = optimizer.apply_gradients(zip(grads, tvars))