Keras_model

Keras中文官方文档：https://keras-cn.readthedocs.io/en/latest/models/model/
1. compile详解
keras model.compile(loss='目标函数 ', optimizer='adam', metrics=
['accuracy'])
1. loss
mean_squared_error或mse
mean_absolute_error或mae
mean_absolute_percentage_error或mape
mean_squared_logarithmic_error或msle
squared_hinge

hinge binary_crossentropy（亦称作对数损失，logloss）

categorical_crossentropy：亦称作多类的对数损失，注意使用该目标函数时，
需要将标签转化为形如(nb_samples, nb_classes)的二值序列
sparse_categorical_crossentrop：如上，但接受稀疏标签。注意，使用该函数时仍
然需要你的标签与输出值的维度相同，你可能需要在标签数据上增加一个维度：
np.expand_dims(y,-1)
kullback_leibler_divergence:从预测值概率分布Q到真值概率分布P的信息增益,用
以度量两个分布的差异.
cosine_proximity：即预测值与真实标签的余弦距离平均值的相反数
可选参数
（1） ignore_label
int型变量，默认为空。
如果指定值，则label等于ignore_label的样本将不参与Loss计算，并且反向传播时梯度直接置0.
（2） normalize
bool型变量，即Loss会除以参与计算的样本总数；否则Loss等于直接求和
（3） normalization
enum型变量，默认为VALID
归一化case的判断：
a. 如果未设置normalization，但是设置了normalize。
则有normalize==1 ­> 归一化方式为VALID
normalize==0 ­> 归一化方式为BATCH_SIZE
b. 一旦设置normalization，归一化方式则由normalization决定，不再考虑normalize。
2. optimizer
该参数可指定为已预定义的优化器名，如 rmsprop 、 adagrad ，或一个
Optimizer 类的对象