コンパイル：構成モデル、およびトレーニング
コンパイル（オプティマイザ、損失=なし、メトリック=なし、loss_weights =なし、sample_weight_mode =なし、weighted_metrics =なし、target_tensors =なし）
参数说明。
オプティマイザ：オプティマイザの 損失：複数の出力モデル、各出力損失のために異なる出力の辞書やリストを渡すことによって、損失がある場合。モデルの合計を最小にすることは、すべての個々の損失の損失値を計算します。 メトリック：あなたはメトリックを使用することができる = [ 「精度」 ]、出力モデルの複数の出力レベルは、{ように、モデルの各出力に指定可能な出力レベルを指定「output_a 」：「精度」}。 loss_weights：異なるモデルの損失スカラー係数（Pythonの浮動）として出力リストまたは辞書を重み付けすることができ、個々のモデルの全ては、次に加重和を合計し、次いで、重み付け損失重み付け係数によって損失を最小化を計算し、もし1マッピング：モデルの出力を持つリストは、それが1を持っている必要があります。テンソルは、名前（文字列）を出力した場合、スカラー係数にマッピングする必要があります。 sample_weight_modeは：サンプルの重み付けステップ（二次元量）に要する時間場合、「時間」に設定します。いずれもサンプルの重み（1D）のデフォルトを示していません。モデルは、複数の出力を持っている場合は、各出力モードに異なるサンプルの重みを使用して、辞書やリストモードを渡すことができます。 weighted_metrics：トレーニングとテストプロセス、sample_weightまたは評価し、加重する指標のリストでclass_weight。 target_tensors：デフォルトでは、プレースホルダを作成するターゲットモデルをkerasは、トレーニング中にこれらのプレースホルダのための客観的なデータを提供します。あなたは（Kerasのnumpyのは、トレーニング中に追加のデータを必要としません）あなたの目標テンソルを使用する場合は、ターゲットテンソルパラメータを指定することができます 。これは、（単一出力モデル用）単一テンソル、または辞書テンソル（：target_tensors名）のリストであってもよいです。 ** kwargsから：Theano / CNTK後端部を使用して、パラメータを使用したバックエンドTensorFlow K.functionに渡された場合、このパラメータはtf.Session.runを通過します。..