《Python深度学习实战：基于TensorFlow和Keras的聊天机器人》 —2.1.4　编译模型

2.1.4　编译模型

用层结构定义好模型之后，你需要指定损失函数、优化器以及评估度量。当模型搭建完了之后，初始的权重和偏置量应该被设为0或1、随机的正态分布数或者任意其他方便的数。但是初始值并不是模型最好的参数值。这意味着初始的权重和偏置量是不能够用预测器（X）来解释目标/标签的。因此你想获得模型的最优参数值。从初始值到最优的参数值需要一个动机因素，那就是最小化代价函数/损失函数。这其中需要优化器给定的一个路径（每次迭代时候都会改变）。这个过程中还需要评估的测量，或是评估度量。

常见的损失函数有二分类交叉熵、多分类交叉熵、均方对数误差和合页损失函数。常用的优化器有随机梯度下降（SGD）、RMSProp、Adam、Adagrad和Adadelta。常见的评估度量有准确率、召回率以及F1分数。

简而言之，这一步是想要根据损失函数的迭代优化来调整权重值和偏置量，优化器的迭代中使用比如像准确率这样的度量来评估优化效果。