【tensorflow】Sequential 模型方法 compile， model.compile

Sequential 顺序模型 API - Keras 中文文档
https://keras.io/zh/models/sequential/

Sequential 序贯模型

序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。

详见以下博客：
【tensorflow】Sequential 模型方法_电子生医小白的博客-CSDN博客 https://blog.csdn.net/m0_53732376/article/details/117048515

编译

在训练模型之前，我们需要配置学习过程，这是通过compile方法完成的，他接收这几个参数：

compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None,
 weighted_metrics=None, target_tensors=None)

用于配置训练模型。

参数

• optimizer: 字符串（优化器名）或者优化器对象。详见 optimizers。
• loss: 字符串（目标函数名）或目标函数。详见 losses。
  如果模型具有多个输出，则可以通过传递损失函数的字典或列表，在每个输出上使用不同的损失。模型将最小化的损失值将是所有单个损失的总和。
• metrics: 在训练和测试期间的模型评估标准。通常你会使用 metrics = [‘accuracy’]。
  要为多输出模型的不同输出指定不同的评估标准，还可以传递一个字典，如 metrics = {‘output_a’：‘accuracy’}。
• loss_weights: 指定标量系数（Python浮点数）的可选列表或字典，用于加权不同模型输出的损失贡献。
  模型将要最小化的损失值将是所有单个损失的加权和，由 loss_weights 系数加权。 如果是列表，则期望与模型的输出具有 1:1映射。 如果是张量，则期望将输出名称（字符串）映射到标量系数。
• sample_weight_mode: 如果你需要执行按时间步采样权重（2D 权重），请将其设置为 temporal。 默认为None，为采样权重（1D）。如果模型有多个输出，则可以通过传递 mode 的字典或列表，以在每个输出上使用不同的 sample_weight_mode。
• weighted_metrics: 在训练和测试期间，由 sample_weight 或 class_weight
  评估和加权的度量标准列表。
• target_tensors: 默认情况下，Keras将为模型的目标创建一个占位符，在训练过程中将使用目标数据。相反，如果你想使用自己的目标张量（反过来说，Keras 在训练期间不会载入这些目标张量的外部 Numpy 数据），您可以通过 target_tensors 参数指定它们。它应该是单个张量（对于单输出 Sequential 模型）。
• kwargs: 当使用 Theano/CNTK 后端时，这些参数被传入 K.function。当使用 TensorFlow
  后端时，这些参数被传递到 tf.Session.run。

可能出现的异常

• ValueError: 如果 optimizer, loss, metrics 或 sample_weight_mode 这些参数不合法。