如何通过名称获取TensorFlow优化器？寻求技术帮助

嘿，我来帮你搞定这个问题！你提到想通过名称访问TensorFlow优化器，下面给你梳理几个实用的方法，结合你的代码场景来适配～

方法1：用TensorFlow内置的注册类获取 #

TensorFlow的优化器本身有注册机制，你可以直接通过tf.train.Optimizer.get_class()（TF1.x）方法传入名称字符串，就能拿到对应的优化器类，之后实例化就行。示例代码：

# 以获取Adam优化器为例
optimizer_class = tf.train.Optimizer.get_class("Adam")
optimizer = optimizer_class(learning_rate=0.001)

方法2：手动构建名称映射字典 #

如果需要限定可选的优化器或者自定义映射，自己建一个字典是更灵活的方式，把名称和对应的优化器类一一对应：

# 先定义映射关系
optimizer_map = {
    "Adam": tf.train.AdamOptimizer,
    "SGD": tf.train.GradientDescentOptimizer,
    "RMSProp": tf.train.RMSPropOptimizer
}

# 根据名称获取并实例化
target_optimizer = "Adam"
optimizer = optimizer_map[target_optimizer](learning_rate=0.001)

适配你代码的完整示例 #

看你给出的代码片段没写完，我补全后整合优化器的调用，给你一个完整的极简示例：

import sys
import numpy as np
import tensorflow as tf

print( "Python version: {0}".format(sys.version) )
print( "Tensorflow version: {0}".format(tf.__version__) )
print('')

# 构建模型部分
l_input = tf.placeholder(tf.float32, shape=(None, 2), name='input')
l_dense = tf.layers.dense(l_input, units=1, activation=None)
l_output = tf.identity(l_dense, name='output')  # 补全你未完成的identity操作

# 通过名称获取优化器（这里用第一种方法）
optimizer_class = tf.train.Optimizer.get_class("Adam")
optimizer = optimizer_class(learning_rate=0.001)

# 后续定义损失与训练操作
loss = tf.reduce_mean(tf.square(l_output - tf.placeholder(tf.float32, shape=(None,1))))
train_op = optimizer.minimize(loss)

注意：如果你用的是TensorFlow 2.x版本，API有调整，优化器在tf.keras.optimizers下，获取方式可以用tf.keras.optimizers.get("adam")，或者直接实例化对应的类

内容的提问来源于stack exchange，提问作者Uwe Köhler