TensorFlow优化器GradientDescentOptimizer
类GradientDescentOptimizer
继承自:Optimizer
这是一个实现实现梯度下降算法的优化器类，用于构造一个新的梯度下降优化器实例
构造器方法__init__
__init__(
learning_rate,
use_locking = False,
name = ' GradientDescent '
)参数:
learning_rate：优化器将采用的学习速率，一个张量或一个浮点值。
use_locked：如果为True，则使用锁进行更新操作。
name：可选的，应用梯度时创建的操作名称前缀，默认为“GradientDescent”。
方法
apply_gradients方法
apply_gradients (
grads_and_vars,
global_step = None
name = None
)对变量应用梯度。
这是minimize()的第二部分。它返回一个应用梯度的操作。
参数:
grads_and_vars：compute_gradients()返回的（梯度、变量）成对的列表。
global_step：可选变量，在变量更新后增加1。
name：返回操作的可选名称。默认为传递给优化器构造函数的名称。
返回:
一种应用指定梯度的操作。如果global_step不是None，则该操作还会增加global_step。
报错:
TypeError：如果grads_and_vars格式不正确。
ValueError：如果所有变量都没有渐变。
RuntimeError：如果您应该使用_distributed_apply()。
compute_gradients方法
compute_gradients(
loss,
var_list=None,
gate_gradients=GATE_OP,
aggregation_method=None,
colocate_gradients_with_ops=False,
grad_loss=None
)计算var_list中变量的损失梯度。
这是minimize()的第一部分。它返回一个(梯度，变量)成对的列表，其中“梯度”是“变量”的梯度。注意，“梯度”可以是张量、索引切片，或者如果给定变量没有梯度，则为零。
参数:
loss：一个包含要最小化的值的张量，或者一个不带参数的可调用张量，它返回要最小化的值。当启用即时执行时，它必须是可调用的。
var_list：可选的tf.Variable列表或元组，变量更新以最小化损失。默认值为在关键字GraphKeys.TRAINABLE_VARIABLES下的图表中收集的变量列表。
gate_gradients：如何设定计算梯度的Gate。可取值为GATE_NONE、GATE_OP或GATE_GRAPH。
aggregation_method：指定用于组合梯度项的方法。有效值在类AggregationMethod中定义。
colocate_gradients_with_ops：如果为真，尝试使用相应的op对梯度进行校对。
grad_loss：可选的。一个保持梯度的张量，用于计算损失。
返回:
一组（梯度，变量）对。变量总是存在的，但是梯度可以不存在。
报错:
TypeError：如果var_list包含变量对象以外的任何内容。
ValueError：如果某些参数无效。
RuntimeError：如果调用时启用了紧急执行，并且loss不可调用。