optimizer: 优化器

loss:如果模型有多个输出，则可以通过传递字典或损失列表输出每个不同输出的损失。模型将最小化损失值然后计算所有单个损失的总和。

metrics:可以使用metrics=[‘accuracy‘]指定输出级别，对于多个输出模型，可以指定每个输出模型的输出级别，如{‘output_a‘: ‘accuracy‘}。

loss_weights:对不同模型输出的损失进行加权可以用列表或字典作为标量系数(Python浮点数)，模型将所有单个损失最小化后再通过损耗加权系数加权，再求和，计算出加权和，如果是一个列表，则它与模型的输出应该有1:1的映射。如果是张量，需要将输出名称(字符串)映射到标量系数。

sample_weight_mode:如果需要进行时间步进采样加权（二维权重），请将其设置为“temporal”。None 代表默认为样本权重（1d）。如果模型有多个输出，您可以通过传递字典或模式列表，在每个输出上使用不同的样本权重模式。

weighted_metrics: 在训练和测试过程中，sample_weight 或者 class_weight进行评估和加权的指标列表。

target_tensors:默认情况下，keras将为目标模型创建占位符，在培训期间将向这些占位符提供目标数据。如果您希望使用自己的目标张量（Keras在训练时不会要求额外的numpy数据），可以通过目标张量参数指定，
。它可以是单个张量（对于单个输出模型）、张量列表或一个字典（name:target_tensors）。

**kwargs:当使用Theano/CNTK 后端时, 这个参数被传递到 K.function. 当使用 TensorFlow 后端时, 这个参数被传到 tf.Session.run.