Отсечение суммы градиентов не имеет никакого эффекта. Вместо этого вы должны обрезать каждый градиент отдельно.
Вот небольшой фрагмент кода для отсечения градиента в Tensorflow:
max = 20
grads = tf.gradients(loss, tf.trainable_variables())
grads, _ = tf.clip_by_global_norm(grads, max) # gradient clipping
grads_and_vars = list(zip(grads, tf.trainable_variables()))
optimizer = tf.train.AdamOptimizer(learning_rate)
train_op = optimizer.apply_gradients(grads_and_vars)