3.1.3　编译网络

一旦我们定义了网络，在训练模型前就必须编译它。编译是提高效率的一个步骤。它将我们定义的简单图层序列转换为高效的矩阵变换序列，其应在CPU或GPU上都可执行，具体取决于Keras的配置方式。可以将编译视为网络的预计算步骤，定义模型后必须进行编译。我们使用compile()函数对训练模型进行设置，实现代码如下：

> model %>% compile(loss = 'binary_crossentropy',
+                   optimizer = 'adam',
+                   metrics = c('accuracy'))

compile()函数需要输入下列参数。

• loss：设置损失函数，回归问题使用mean_squared_error，二分类问题使用binary_crossentropy，多分类问题使用categorical_crossentropy。
• optimizer：设置训练时的优化器，本例使用Adam优化器。
• metrics：除了损失函数外，还可以在拟合模型时收集度量标准，通常，要收集的最有用的附加度量标准是分类问题的准确性。