今天要介紹三個，訓練過程中所使用的東西，第一個是優化器Optimizer，他決定了實現梯度下降所使用的策略，有的策略比較穩健，有的比較大膽，通常會對優化器手動設定的參數是學習率learning_rate，這個參數決定了走下山的步伐大小，太小的值收斂很慢，需要花很久才能走到山谷，太大的值有可能會發散，讓我們跳得太遠，彈出山谷，Adam、SGD等是常用的選擇。
損失函數loss是我們用來評價模型與樣本擬合度的一個指標，不同的損失函數塑造出來的地形Error Surface是不一樣的，會導致我們走到不同的低點，在多分類問題當中經常使用的是categorical_crossentropy，你也有可能聽到諸如代價函數Cost function之類的名稱。
評價函數metrics讓我們衡量模型的表現如何，這裡使用的accuracy是一個簡單的指標。
明天我們會看看有什麼進一步提升模型性能的方法，並實做看看有什麼區別。
iThome鐵人賽
看影片追技術