我认为这可能与优化器无关。因为使用了函数装饰器，我认为我们需要启用tf.functions的渴望执行，如下所示。Source

import  tensorflow as tf
tf.config.run_functions_eagerly(True)

y_N= tf.Variable([1., 2., 3.],name="dd")

@tf.function
def loss():
    return -tf.reduce_mean(
        input_tensor=tf.reduce_sum(
            input_tensor=tf.math.log(y_N), axis=0
        )
    )

@tf.function
def run():
    tf.keras.optimizers.Adam(0.5).minimize(loss, var_list=[y_N])

run()
print(y_N)

<tf.Variable 'dd:0' shape=(3,) dtype=float32, 
numpy=array([1.5000134, 2.5000117, 3.5000103], dtype=float32)>

更新

上面的代码运行在渴望模式下会降低性能，要在图形模式下运行，首先创建optimizers.Adam类的示例，然后使用类方法，如下所示：
一个二个一个一个
您也可以查看this以获得类似的详细信息。

恐怕我无法为您提供您可能正在寻找的所有解释，因为@tf.function的documentation有些复杂，但根据我使用Tensorflow构建神经网络的经验，只有"运行"过程的子部分必须使用@tf.function装饰，并且这部分必须在with tf.GradientTape() as tape:内。如果我这样实现，您的代码将正常工作：

import tensorflow as tf

y_N= tf.Variable([1., 2., 3.], name="dd")

@tf.function
def loss():
    return -tf.reduce_mean(input_tensor=tf.reduce_sum(
                           input_tensor=tf.math.log(y_N), axis=0))

def run():
    with tf.GradientTape() as tape:
        tf.keras.optimizers.Adam(0.5).minimize(loss, var_list=[y_N])

run()

print(y_N)

<tf.Variable 'dd:0' shape=(3,) dtype=float32, numpy=array([1.4999985, 2.499997 , 
    3.4999952], dtype=float32)>

我发现在调用minimize函数之后，它将通过调用self.iterations一次来创建一个iter变量。（这发生在tensorflow/python/keras/optimizer_v2/optimizer_v2.py中）
随后调用self.iterations将不会创建新变量-因为iter已经创建。
因此，通过调用使其工作，我们需要在外部创建一次optimizer，并将其传递给@tf.function.它仍然会在minimize函数中创建变量，但它只会做一次，因为我们不会重复创建Adam模型。

import  tensorflow as tf

y_N= tf.Variable([1., 2., 3.],name="dd")

@tf.function
def loss():
    return -tf.reduce_mean(input_tensor=tf.reduce_sum(input_tensor=tf.math.log(y_N), axis=0))

@tf.function
def run(adam):
    adam.minimize(loss, var_list=[y_N])

adam=tf.keras.optimizers.Adam(0.5)

run(adam)