优化器是编译Keras模型必要的两个参数之一

可以在调用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。

参数和是所有优化器都可以使用的参数,用于对梯度进行裁剪.示例如下:

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

• lr：大或等于0的浮点数，学习率

• momentum：大或等于0的浮点数，动量参数

• decay：大或等于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

• lr：大或等于0的浮点数，学习率

• rho：大或等于0的浮点数

• epsilon：大或等于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

• lr：大或等于0的浮点数，学习率

• epsilon：大或等于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

• lr：大或等于0的浮点数，学习率

• rho：大或等于0的浮点数

• epsilon：大或等于0的小浮点数，防止除0错误

• Adadelta - an adaptive learning rate method

该优化器的默认值来源于参考文献

• lr：大或等于0的浮点数，学习率

• beta_1/beta_2：浮点数， 0<beta<1，通常很接近1

• epsilon：大或等于0的小浮点数，防止除0错误

• Adam - A Method for Stochastic Optimization

Adamax优化器来自于Adam的论文的Section7，该方法是基于无穷范数的Adam方法的变体。

默认参数由论文提供

• lr：大或等于0的浮点数，学习率

• beta_1/beta_2：浮点数， 0<beta<1，通常很接近1

• epsilon：大或等于0的小浮点数，防止除0错误

• Adam - A Method for Stochastic Optimization

Nesterov Adam optimizer: Adam本质上像是带有动量项的RMSprop，Nadam就是带有Nesterov 动量的Adam RMSprop

默认参数来自于论文，推荐不要对默认参数进行更改。

• lr：大或等于0的浮点数，学习率

• beta_1/beta_2：浮点数， 0<beta<1，通常很接近1

• epsilon：大或等于0的小浮点数，防止除0错误

• Nadam report

• On the importance of initialization and momentum in deep learning

TF优化器的包装器