keras

compile函数

    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。

fit函数

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)