里面的具体参数有：
我们一帮需要设置的就只有前三个参数，
没有衰减率的一般是在整个更新过程中学习率不改变，有衰减率的就是自适应学习率的优化器，就是在更新参数过程中，学习率能根据梯度自己改变。
这里的学习率改变好像是针对的这一轮中的学习率，在下一个epoch中学习率又会变成没变化之前的值。例如某一轮的学习率为0.001，在这一轮训练过程中学习率可能会变化，但是下一轮开始时学习率是0.001，也就是变化不带入下一轮训练，如果想要改变学习率，就在回调函数里设置学习率衰减方式才能改变 （不知道我说的对不对，我也不是很明白，有错误的话请大哥批评指正 ）
tf.keras.optimizers中有很多优化器供我们选择：
- tf.keras.optimizers.Adadelta
- tf.keras.optimizers.Adagrad
- tf.keras.optimizers.Adam
Adam优化是一种基于一阶和二阶矩自适应估计的随机梯度下降方法。
根据Kingma et al.，2014的说法，该方法“计算效率高，几乎不需要内存，对梯度的对角线重新缩放不变性，非常适合于数据/参数较大的问题”。
- tf.keras.optimizers.RMSprop
利用了梯度的均方
- tf.keras.optimizers.SGD
SGD就是每一次迭代计算mini-batch的梯度，然后对参数进行更新，是最常见的优化方法了。缺点还挺大的，
- tf.keras.losses.BinaryCrossentropy为二分类交叉熵损失函数
计算公式为：
yi为第i个的真实标签，p(xi)为第i个预测正确的概率，当输出的预测值不是概率时，我们需要将from_logits参数设置为True，它会将预测值转换为概率，如果预测值是概率的话，就设置为False。
输出：
2. tf.keras.losses.BinaryFocalCrossentropy
Focal loss主要用来解决样本不均衡问题，引入了一个聚焦因子和loss相乘。
如果真实标签为1，聚焦因子为 focal_factor = (1 - output) ^ gamma
如果真是标签为0，聚焦因子为 focal_factor = ( output) ^ gamma
output为输出概率：
当gamma为0时，就成了BinaryCrossentropy。
参数：
具体实现过程：
输出：
3. tf.keras.losses.CategoricalCrossentropy 多分类交叉熵损失函数
当y_true为One-Hot 编码时使用CategoricalCrossentropy
当y_true为整数编码时使用SparseCategoricalCrossentropy
还有很多其他损失函数。。。。。
常用的分类指标有准确率、精度等，添加进去就会在训练过程中实时打印这些指标。
metrics=[tf.keras.metrics.Accuracy()，tf.keras.metrics.Precision()]
例外也可以自定义一些函数添加进去，例如想打印学习率：
这样就可以打印了。
tensorflow的API里函数太多了。。。。。
