在TensorFlow中，損失函數用來衡量模型在訓練數據上的表現，即模型預測值與真實標簽值之間的差異。損失函數的目標是最小化這種差異，以使模型的預測值盡可能接近真實標簽值。
優化器則用來更新模型的參數，使模型能夠更好地逼近訓練數據集。優化器的目標是最小化損失函數，通過不斷調整模型的參數值來降低損失函數的值。
在訓練過程中，模型會根據損失函數計算出的損失值來調整參數，優化器會根據損失值的大小以及優化算法的特性來更新模型的參數，進而使模型更加準確地預測未看到的數據。TensorFlow提供了許多不同的損失函數和優化器，用戶可以根據自己的需求選擇合適的來訓練自己的模型。
