原文地址optimizers（优化器）。机器学习包括两部分内容，一部分是如何构建模型，另一部分就是如何训练模型。训练模型就是通过挑选最佳的优化器去训练出最优的模型。
Keras包含了很多优化方法。比如最常用的随机梯度下降法(SGD)，还有Adagrad、Adadelta、RMSprop、Adam等。下面通过具体的代码介绍一下优化器的使用方法。最重要的就是SGD，其他的优化器有兴趣的可以自行了解一下。

在编译一个Keras模型时，优化器是2个参数之一（另外一个是损失函数）。看如下代码：

这个例子中是在调用compile之前实例化了一个优化器。我们也可以通过传递名字的方式调用默认的优化器。代码如下：

所有的优化器都继承自上面这个带有keyword参数的类。当然基类是不能用来训练模型的。

参数：

• lr :float>=0，学习速率
• momentum :float>=0 参数更新的动量
• decay : float>=0 每次更新后学习速率的衰减量
• nesterov :Boolean 是否使用Nesterov动量项

参数：

• lr : float>=0，学习速率
• epsilon :float>=0
• decay : float>=0 每次更新后学习速率的衰减量

参数：

• lr :float>=0，学习速率
• rho : float>=0
• epsilon :float>=0 模糊因子
• decay : float>=0 每次更新后学习速率的衰减量

参数：

• lr:float>=0，学习速率
• rho : float>=0
• epsilon : float>=0 模糊因子
• decay : float>=0 每次更新后学习速率的衰减量

参数：

• lr : float>=0，学习速率
• beta_1, beta_2:floats, 0 < beta < 1 通常都是接近于1
• epsilon :float>=0 模糊因子
• decay : float>=0 每次更新后学习速率的衰减量

参数：

• lr : float>=0，学习速率
• beta_1, beta_2:floats, 0 < beta < 1 通常都是接近于1
• epsilon :float>=0 模糊因子
• decay : float>=0 每次更新后学习速率的衰减量