`tf.keras.optimizers.SGD` 是 TensorFlow 2.x 版本中的一个梯度下降优化器，用于最小化训练过程中的损失函数。`SGD` 是随机梯度下降（Stochastic Gradient Descent）的缩写，是一种常用的优化算法之一。 `tf.keras.optimizers.SGD` 的常用参数如下： - `learning_rate`：学习率，控制每次参数更新的步长。 - `momentum`：动量，控制参数更新的方向和大小，防止陷入局部最优解。 - `nesterov`：Nesterov 动量，控制参数更新的方向和大小，可以提高模型训练的速度和精度。 - `name`：优化器的名称。 例如，下面的代码展示了如何使用 `tf.keras.optimizers.SGD`： ```python import tensorflow as tf # 定义模型和损失函数 model=tf.keras.models.Sequential([...]) loss_fn=tf.keras.losses.MeanSquaredError() # 创建优化器 optimizer=tf.keras.optimizers.SGD(learning_rate=0.01, momentum=0.9) # 训练模型 for epoch in range(num_epochs): for x_batch, y_batch in train_dataset: with tf.GradientTape() as tape: y_pred=model(x_batch) loss=loss_fn(y_batch, y_pred) grads=tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables)) ``` 在上面的示例中，我们使用了 `tf.keras.optimizers.SGD` 和动量来训练模型。优化器会根据损失函数计算出的梯度来更新模型的可训练变量。通过不断迭代，模型的参数会不断调整，从而最小化损失函数。