神经网络最终是一个 最优化问题 ， 在经过 前向计算和反向传播 后， 使用反向传播梯度，优化神经网络中的参数。
是实现 随机梯度下降 的一个 子类，是 梯度下降 大类中的一种方法。 当需要训练大量样本的时候，往往选择 来使损失函数更快的收敛。
API Reference 请参考 cn_api_fluid_optimizer_SGDOptimizer
优化器在 基础上引入动量，减少了随机梯度下降过程中存在的噪声问题。 用户在使用时可以将 参数设置为 False 或 True，分别对应传统 Momentum(论文 4.1 节) 算法和 Nesterov accelerated gradient(论文 4.2 节) 算法。
API Reference 请参考 cn_api_fluid_optimizer_MomentumOptimizer
Adagrad 优化器可以针对不同参数样本数不平均的问题，自适应地为各个参数分配不同的学习率。
API Reference 请参考 cn_api_fluid_optimizer_AdagradOptimizer
RMSProp 优化器 ，是一种自适应调整学习率的方法， 主要解决使用 Adagrad 后，模型训练中后期学习率急剧下降的问题。
API Reference 请参考 cn_api_fluid_optimizer_RMSPropOptimizer
Adam 的优化器是一种自适应调整学习率的方法， 适用于大多非 凸优化 、大数据集和高维空间的场景。在实际应用中， 是最为常用的一种优化方法。
API Reference 请参考 cn_api_fluid_optimizer_AdamOptimizer
Adamax 是 算法的一个变体，对学习率的上限提供了一个更简单的范围，使学习率的边界范围更简单。
API Reference 请参考 cn_api_fluid_optimizer_AdamaxOptimizer
DecayedAdagrad 优化器，可以看做是引入了衰减速率的 算法，解决使用 Adagrad 后，模型训练中后期学习率急剧下降的问题。
API Reference 请参考 cn_api_fluid_optimizer_DecayedAdagrad
FtrlOptimizer 优化器结合了 FOBOS 算法 的高精度与 RDA 算法 的稀疏性，是目前效果非常好的一种 Online Learning 算法。
API Reference 请参考 cn_api_fluid_optimizer_FtrlOptimizer
优化器，在训练中通过窗口来累计历史 parameter，在预测时使用取平均值后的 paramet，整体提高预测的精度。
API Reference 请参考 cn_api_fluid_optimizer_ModelAverage
优化器，该方法考虑到不同权值参数的梯度的数量级可能相差很大，因此很难找到一个全局的学习步长。因此创新性地提出靠参数梯度的符号，动态的调节学习步长以加速优化过程的方法。
API Reference 请参考 cn_api_fluid_optimizer_Rprop
