编译模型必选两个参数之一
可以通过传递预定义目标函数名字指定目标函数，也可以传递一个Theano/TensroFlow的符号函数作为目标函数，该函数对每个数据点应该只返回一个标量值，并以下列两个参数为参数：
y_true：真实的数据标签，Theano/TensorFlow张量y_pred：预测值，与y_true相同shape的Theano/TensorFlow张量真实的优化目标函数是在各个数据点得到的损失函数值之和的均值。
可用的目标函数：
mean_squared_error或msemean_absolute_error或maemean_absolute_percentage_error或mapemean_squared_logarithmic_error或mslesquared_hingehingebinary_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.poisson：即(predictions - targets * log(predictions))的均值cosine_proximity：即预测值与真实标签的余弦距离平均值的相反数编译模型必选两个参数之一
可以在调用model.compile()之前初始化一个优化器对象，然后传入该函数（如上所示），也可以在调用model.compile()时传递一个预定义优化器名。在后者情形下，优化器的参数将使用默认值。
所有优化器都可用的两个参数（用于对梯度进行裁剪）：
clipnorm # all parameter gradients will be clipped to # a maximum norm of 1. sgd = SGD(lr=0.01, clipnorm=1.) clipvalue # all parameter gradients will be clipped to # a maximum value of 0.5 and # a minimum value of -0.5. sgd = SGD(lr=0.01, clipvalue=0.5)常用的优化算法有：
随机梯度下降法，支持动量参数，支持学习衰减率，支持Nesterov动量。
keras.optimizers.SGD(lr=0.01, momentum=0.0, decay=0.0, nesterov=False)参数：
lr：大于0的浮点数，学习率momentum：大于0的浮点数，动量参数decay：大于0的浮点数，每次更新后的学习率衰减值nesterov：布尔值，确定是否使用Nesterov动量除学习率可调整外，建议保持优化器的其他默认参数不变，该优化器通常是面对递归神经网络时的一个良好选择。
keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=1e-06)参数：
lr：大于0的浮点数，学习率rho：大于0的浮点数epsilon：大于0的小浮点数，防止除0错误建议保持优化器的默认参数不变。
keras.optimizers.Adagrad(lr=0.01, epsilon=1e-06)参数：
lr：大于0的浮点数，学习率epsilon：大于0的小浮点数，防止除0错误建议保持优化器的默认参数不变。
keras.optimizers.Adadelta(lr=1.0, rho=0.95, epsilon=1e-06)参数：
lr：大于0的浮点数，学习率rho：大于0的浮点数epsilon：大于0的小浮点数，防止除0错误参考文献 Adadelta - an adaptive learning rate method
该优化器的默认值来源于参考文献。
keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08)参数：
lr：大于0的浮点数，学习率beta_1/beta_2：浮点数，接近1epsilon：大于0的小浮点数，防止除0错误参考文献 Adam - A Method for Stochastic Optimization
激活函数可以通过设置单独的激活层实现，也可以在构造层对象时通过传递activation参数实现。
可以通过传递一个逐元素运算的Theano/TensorFlow函数来作为激活函数：
from keras import backend as K def tanh(x): return K.tanh(x) model.add(Dense(64, activation=tanh)) model.add(Activation(tanh)预定义的激活函数有：
softmax：对输入数据的最后一维进行softmax，输入数据应形如(nb_samples, nb_timesteps, nb_dims)或(nb_samples,nb_dims)softplussoftsignrelutanhsigmoidhard_sigmoidlinear