Tensorflow 2.* 网络训练（一） compile(optimizer, loss, metrics, loss_weights)

在搭建完网络以后，就需要配置模型训练的函数，比如损失函数、误差方向传播优化算法等。Tensorflow 2.* 中compile编译函数便集成了此项功能，比如对于一个分类问题，常见的形式如下：

model.compile(optimizer='rmsprop',
				loss='categorical_crossentropy',
				metrics=['accuracy'])

tf.keras.Model.compile()

optimizer 优化器

基于训练数据和损失函数来更新网络的机制，常用的有Adam， RMSprop、SGD等

loss 损失函数

网络衡量在训练数据上的性能，即网络如何朝着正确的方向前进。
BinaryCrossentropy, CategoricalCrossentropy,KLDivergence等

metrics 监控指标

训练和测试过程中需要监控的指标。常用的有AUC、Accuracy、BinaryAccuracy、BinaryCrossentropy, CategoricalCrossentropy, KLDivergence、Precision等等

loss和metrics关系

1. loss和metrics都是用来评价训练过程中模型的预测性能；
2. optimizer是根据loss值进行反向误差方向传播，计算更新网络权值；
3. metrics不参与网络的训练过程，只作为一个监控指标，方便直观显示模型的预测，选择范围相比loss更多；
4. 比如在分类问题中，交叉熵是模型训练的loss，但是我们难以直观通过交叉熵的数值进行判断，需要一个更为直观的质保，因此选择精度作为metrics

loss_weights

对于一个多输出的网络模型，如果需要定义每个输出对应的loss函数在训练过程中所占的比例就需要设置loss_weights。例如，对于如下的一个三输出的网络模型，每类输出对应不同的损失函数，就会导致严重的损伤函数间的不平衡，即在网络训练过程中网络会倾向于损失函数值最大的输出，而对其他两路输出的优化效果表现不足。因此需要每个损失值对最终损失的贡献分配不同大小的重要性（权值）

age_prediction = layers.Dense(1, name='age'