Tensorflow中常见的优化器有以下几种：
目前个人比较常用的是第二种优化器。
加速神经网络的训练有以下几种方法：
1.SGD（Stochastic Gradient Descent）随机梯度下降法
它的思想是，将样本数据挨个送入网络，每次使用一个样本就更新一次参数，这样可以极快地收敛到最优值，但会产生较大的波动。还有一种是小批量梯度下降法，它的思想是，将数据拆分成一小批一小批的，分批送入神经网络，每送一批就更新一次网络参数。后者相比前者来说是一种较好的加速方法。
更新参数的方式 w+=-lr * dx lr是学习率，dx 是校正值
2.Momentum
它考虑了不仅仅是当前步的学习效率，还考虑了上一步的学习趋势，所以比SGD的方法更加快速。
大多数其它途径是在更新神经网络参数那一步上动动手脚. 传统的参数 W 的更新是把原始的 W 累加上一个负的学习率(learning rate) 乘以校正值 (dx). 这种方法可能会让学习过程曲折无比。
更新参数的方式 m=b1m-lrdx w+=m
3.AdaGrad
这种方法是在学习率上面动手脚, 使得每一个参数更新都会有自己与众不同的学习率, 他的作用和 momentum 类似。
该方法自动地调整学习率的大小，该方法下的learning rate会根据历史的梯度值动态地改变学习率的大小。它需要计算更新到该t轮，参数的历史梯度的平方和。
更新参数的方法 v+=dx^2 w+= -lr *dx/根号V 采用改变学习率的方式
4.RMSProp
它是一种自适应学习率算法，它与AdamGrad方法的不同之处在于，它只计算更新到该t轮，参数的历史梯度的平均值。
这种方法是将 Momentum与AdaGrad部分相结合
v=b1*v=(1-b1)*dx^2
w+=-lr*dx/根号V
5.Adam
它也是一种自适应学习率调整算法，同时也是最广泛的一种方法。它利用的是梯度的一阶矩估计和二阶矩估计。该方法调整的学习率较为平稳，且预估结果较为准确。
这种方法是将momentum与AdaGrad 相结合
m=b1*m+(1-b1)*dx
v=b2*v+(1-b2)*dx^2
w+=-lr*m/根号v
以上是比较常见的加速神经网络的训练的方法。
实例后面会再补的，先看看优化器对于训练的效果如何。
