tensorflow中model.compile()

model.compile()用来配置模型的优化器、损失函数，评估指标等

里面的具体参数有：

compile(
    optimizer='rmsprop',
    loss=None,
    metrics=None,
    loss_weights=None,
    weighted_metrics=None,
    run_eagerly=None,
    steps_per_execution=None,
    jit_compile=None,
    **kwargs
)

我们一帮需要设置的就只有前三个参数，

一. optimizer设置优化器

没有衰减率的一般是在整个更新过程中学习率不改变，有衰减率的就是自适应学习率的优化器，就是在更新参数过程中，学习率能根据梯度自己改变。
这里的学习率改变好像是针对的这一轮中的学习率，在下一个epoch中学习率又会变成没变化之前的值。例如某一轮的学习率为0.001，在这一轮训练过程中学习率可能会变化，但是下一轮开始时学习率是0.001，也就是变化不带入下一轮训练，如果想要改变学习率，就在回调函数里设置学习率衰减方式才能改变 （不知道我说的对不对，我也不是很明白，有错误的话请大哥批评指正 ）

tf.keras.optimizers中有很多优化器供我们选择：

1. tf.keras.optimizers.Adadelta

tf.keras.optimizers.Adadelta(
    learning_rate=0.001, #初始学习率
    rho=0.95, # 衰减率
    epsilon=1e-07, #加在分母避免出现除以0的情况
    name='Adadelta',
    **kwargs
)

2. tf.keras.optimizers.Adagrad

tf.keras.optimizers.Adagrad(
    learning_rate=0.001, #初始学习率
    initial_accumulator_value=0.1, #动量值
    epsilon=1e-07,
    name='Adagrad',
    **kwargs
)

3. tf.keras.optimizers.Adam

Adam优化是一种基于一阶和二阶矩自适应估计的随机梯度下降方法。
根据Kingma et al.，2014的说法，该方法“计算效率高，几乎不需要内存，对梯度的对角线重新缩放不变性，非常适合于数据/参数较大的问题”。

tf.keras.optimizers.Adam(
    learning_rate=0.001, #初始学习率
    beta_1=0.9, #一阶矩估计的衰减率
    beta_2=0.999, #二阶矩估计的衰减率