48、深度学习：MNIST数据集多分类与TensorBoard可视化

深度学习：MNIST数据集多分类与TensorBoard可视化

1. 模型编译

在添加完所有层后，可通过调用模型的 compile 方法来完成模型的编译。以下是具体的参数说明：
- optimizer='adam' ：该优化器用于在神经网络学习过程中调整权重。“adam”优化器在各种模型中都表现出色。
- loss='categorical_crossentropy' ：这是多分类网络（如我们的卷积神经网络，用于预测10个类别）中优化器使用的损失函数。在神经网络学习时，优化器会尝试最小化损失函数返回的值。损失越低，神经网络对图像类别的预测就越准确。对于二分类问题，Keras提供了 binary_crossentropy ；对于回归问题，则提供了 mean_squared_error 。更多损失函数可参考：https://keras.io/losses/ 。
- metrics=['accuracy'] ：这是一个指标列表，用于评估模型。准确率是分类模型中常用的指标，在本例中，我们使用准确率指标来检查正确预测的百分比。更多指标可参考：https://keras.io/metrics/ 。

示例代码如下：

cnn.compile(optimizer='adam',
            loss='categorical_crossentropy',
            metrics=['accuracy']