优化器 (Optimizer)：驱动学习的引擎
如果说反向传播计算出了“应该朝哪个方向走才能让模型变得更好”，那么优化器就是决定“具体该怎么走”的算法。它负责根据计算出的梯度来更新网络的权重，是模型训练的核心驱动力。
SGD vs. 自适应优化器 (Adam, RMSprop)
随机梯度下降 (SGD)
比喻：一个新手司机，全程使用固定的速度（学习率）下山。在平缓路段可能太慢，在陡峭路段又可能太快导致“漂移”（震荡）。
Adam / RMSprop
比喻：一个经验丰富的老司机，会根据路况（参数的梯度历史）自适应地调整油门（学习率）。在平坦大道上（梯度稳定）就加速，在崎岖山路上（梯度变化大）就减速，从而更快更稳地到达目的地。
动手试试：
下图是一个损失函数的“地形图”，中心是最低点。选择一个优化器，点击“开始优化”，观察它如何从起点（黄星）开始寻找谷底。
from tensorflow import keras
model = keras.Sequential([...])
# 在 Keras 中切换优化器非常简单
model.compile(
optimizer='adam',
loss='binary_crossentropy'
)