在 TensorFlow 中，optimizer 是用來優化神經網絡模型的參數以最小化損失函數的工具。在訓練過程中，optimizer 會根據損失函數的梯度調整模型的參數，使得模型能夠更好地擬合訓練數據。常見的 optimizer 包括 SGD（隨機梯度下降）、Adam、RMSprop 等。使用 optimizer 的基本步驟如下：
創建一個 optimizer 對象，如 optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)。
在每一次訓練迭代中，使用 optimizer 對象的 apply_gradients() 方法來更新模型的參數。例如：
with tf.GradientTape() as tape:
predictions = model(inputs)
loss = loss_fn(labels, predictions)
gradients = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(zip(gradients, model.trainable_variables))
在這個過程中，我們首先使用 tf.GradientTape() 來記錄模型參數的梯度信息，然后通過 tape.gradient() 方法計算損失函數關于模型參數的梯度，最后使用 apply_gradients() 方法來更新模型的參數。這樣就完成了一次訓練迭代。
