在 TensorFlow 中，optimizer 是用来优化神经网络模型的参数以最小化损失函数的工具。在训练过程中，optimizer 会根据损失函数的梯度调整模型的参数，使得模型能够更好地拟合训练数据。常见的 optimizer 包括 SGD（随机梯度下降）、Adam、RMSprop 等。使用 optimizer 的基本步骤如下：
创建一个 optimizer 对象，如 optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)。
在每一次训练迭代中，使用 optimizer 对象的 apply_gradients() 方法来更新模型的参数。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))
在这个过程中，我们首先使用 tf.GradientTape() 来记录模型参数的梯度信息，然后通过 tape.gradient() 方法计算损失函数关于模型参数的梯度，最后使用 apply_gradients() 方法来更新模型的参数。这样就完成了一次训练迭代。