TensorFlow的优化器种类包括： 1. 随机梯度下降优化器（SGD）：随机选择一个样本进行更新，速度快，但容易陷入局部极小值。 2. 动量（Momentum）优化器：利用过去的梯度信息加权平均处理当前梯度，具有加速收敛，抑制震荡的效果。 3. Adagrad优化器：自适应学习率优化器，根据梯度的历史信息自适应地调整学习率来更新参数，但在训练后期容易出现学习率过小的问题。 4. Adadelta优化器：自适应优化器，适用于稀疏梯度，在不使用额外缓存的情况下比Adagrad表现更稳定。 5. RMSprop优化器：类似Adagrad，但对历史梯度进行指数加权处理，以避免学习率过小，并且通过指数加权可根据每个参数的梯度情况赋予不同的权重。 6. Adam优化器：结合了动量和Adagrad思想的优化器，对参数进行自适应学习率调整，并结合动量信息来平衡梯度更新和噪声之间的关系。 每种优化器都有其优点和缺点，在实际应用中需要根据具体情况进行选择。