YOLO中Keras.compile函数说明

model.compile(optimizer='adam', loss={
    'yolo_loss': lambda y_true, y_pred: y_pred})

参数说明：

    def compile(self, optimizer,
                loss=None,
                metrics=None,
                loss_weights=None,
                sample_weight_mode=None,
                weighted_metrics=None,
                target_tensors=None,
                **kwargs

参数
            optimizer：String（优化器名称）或优化器实例。
                请参阅[optimizers]（/ optimizers）。
            loss：String（目标函数的名称）或目标函数。
                见losses。
                如果模型具有多个输出，则可以使用不同的损失
                通过传递字典或损失列表在每个输出上。
                模型将最小化的损失值
                那将是所有个人损失的总和。
            metrics：模型要评估的度量标准列表
                在培训和测试期间。
                通常你会使用`metrics = ['accuracy']`。
                为a的不同输出指定不同的度量
                多输出模型，你也可以传递字典，
                例如`metrics = {'output_a'：'accuracy'}`。
            loss_weights：指定标量的可选列表或字典
                系数（Python浮动）来加权损失贡献
                不同的模型输出。
                模型将最小化的损失值
                那么将是所有个人损失的*加权和*，
                由`loss_weights`系数加权。
                如果是列表，则预计会有1：1的映射
                到模型的输出。如果是张量，则预计会映射
                输出名称（字符串）到标量系数。
            sample_weight_mode：如果你需要做时间步骤
                样本加权（2D权重），将其设置为“”temporal“”。
                `None`默认为样本权重（1D）。
                如果模型有多个输出，则可以使用不同的输出
                通过传递一个每个输出的`sample_weight_mode`
                字典或模式列表。
            weighted_metrics：要评估和加权的指标列表
                在训练和测试期间通过sample_weight或class_weight。
            target_tensors：默认情况下，Keras将为其创建占位符
                模型的目标，将在期间提供目标​​数据
                训练。相反，如果您想使用自己的
                目标张量（反过来，Keras不会期望外部
                你可以在训练时获得这些目标的Numpy数据
                可以通过`target_tensors`参数指定它们。有可能
                单个张量（对于单输出模型），张量列表，
                或者将输出名称映射到目标张量的字典。
            ** kwargs：当使用Theano / CNTK后端时，这些论点
                被传递到`K.function`。
                使用TensorFlow后端时，
                这些参数传递给`tf.Session.run`。