Tensorflow 此代码中的权重是如何更新的？

我正在阅读此代码，但无法理解权重是如何在其逻辑中更新的：

tf.enable_eager_execution()

x = np.arange(0, 5, 0.1)
y = x**3 - 4*x**2 - 2*x + 2
y_noise = y + np.random.normal(0, 1.5, size=(len(x),))

def get_batch(x, y, batch_size=20):
    idxs = np.random.randint(0, len(x), (batch_size))
    return x[idxs], y[idxs]


class PolyModel(object):
    def __init__(self):
        self.w = tfe.Variable(tf.random_normal([4]))

    def f(self, x):
        return self.w[0] * x ** 3 + self.w[1] * x ** 2 + self.w[2] * x + self.w[3]


def loss(model, x, y):
    err = model.f(x) - y
    return tf.reduce_mean(tf.square(err))

model = PolyModel()
grad = tfe.implicit_gradients(loss)
optimizer = tf.train.AdamOptimizer()
iters = 20000
for i in range(iters):
    x_batch, y_batch = get_batch(x, y)
    optimizer.apply_gradients(grad(model, x_batch, y_batch))
    if i % 1000 == 0:
        print("Iteration {}, loss: {}".format(i+1, loss(model, x_batch, y_batch).numpy()))

这是因为在这一行中，权重在函数“apply_gradients”中隐式更新吗

---

tfe.隐式_梯度（损失）

是一个计算

损失

相对于模型权重的梯度的函数<代码>优化器。应用梯度（）。因此，在每次迭代时，模型权重都会更新。

tfe。隐式梯度（损失）

是一个函数，用于计算损失相对于模型权重的梯度<代码>优化器。应用梯度（）。因此，在每次迭代中，模型权重都会更新。

grad（模型，x\u批次，y\u批次）-“grad”是一个函数吗？它应该是标量还是向量？调用它后，它是一个函数，返回的梯度是关于所有可训练变量的。因此，“tfe.implicit_gradients（loss）”返回函数“grad”，然后调用“grad（model，x_batch，y_batch）”？在我的PyCharm中，我无法检查隐式梯度的实现？它应该是标量还是向量？调用它后，它是一个函数，返回的梯度是关于所有可训练变量的。因此，“tfe.implicit_gradients（loss）”返回函数“grad”，然后调用“grad（model，x_batch，y_batch）”？在我的PyCharm中，我无法检查隐式_梯度的实现。

 optimizer.apply_gradients(grad(model, x_batch, y_batch))