用keras搭好模型架构之后的下一步，就是执行编译操作。在编译时，经常需要指定三个参数

• loss
• optimizer
• metrics

这三个参数有两类选择：

• 使用字符串
• 使用标识符，如keras.losses，keras.optimizers，metrics包下面的函数

例如：

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',optimizer=sgd,metrics=['accuracy'])

因为有时可以使用字符串，有时可以使用标识符，令人很想知道背后是如何操作的。下面分别针对optimizer，loss，metrics三种对象的获取进行研究。

optimizer

一个模型只能有一个optimizer，在执行编译的时候只能指定一个optimizer。
在keras.optimizers.py中，有一个get函数，用于根据用户传进来的optimizer参数获取优化器的实例：

def get(identifier):# 如果后端是tensorflow并且使用的是tensorflow自带的优化器实例，可以直接使用tensorflow原生的优化器 if K.backend() == 'tensorflow':# Wrap TF optimizer instancesif isinstance(identifier, tf.train.Optimizer):return TFOptimizer(identifier)# 如果以json串的形式定义optimizer并进行参数配置if isinstance(identifier, dict):return deserialize(identifier)elif isinstance(identifier, six.string_types):# 如果以字符串形式指定optimizer，那么使用优化器的默认配置参数config = {'class_name': str(identifier), 'config': {}}return deserialize(config)if isinstance(identifier, Optimizer):# 如果使用keras封装的Optimizer的实例return identifierelse:raise ValueError('Could not interpret optimizer identifier: ' +str(identifier))

其中，deserilize(config)函数的作用就是把optimizer反序列化制造一个实例。

loss

keras.losses函数也有一个get(identifier)方法。其中需要注意以下一点：

如果identifier是可调用的一个函数名，也就是一个自定义的损失函数，这个损失函数返回值是一个张量。这样就轻而易举的实现了自定义损失函数。除了使用str和dict类型的identifier，我们也可以直接使用keras.losses包下面的损失函数。

def get(identifier):if identifier is None:return Noneif isinstance(identifier, six.string_types):identifier = str(identifier)return deserialize(identifier)if isinstance(identifier, dict):return deserialize(identifier)elif callable(identifier):return identifierelse:raise ValueError('Could not interpret ''loss function identifier:', identifier)

metrics

在model.compile()函数中，optimizer和loss都是单数形式，只有metrics是复数形式。因为一个模型只能指明一个optimizer和loss，却可以指明多个metrics。metrics也是三者中处理逻辑最为复杂的一个。

在keras最核心的地方keras.engine.train.py中有如下处理metrics的函数。这个函数其实就做了两件事：

• 根据输入的metric找到具体的metric对应的函数
• 计算metric张量

在寻找metric对应函数时，有两种步骤：

• 使用字符串形式指明准确率和交叉熵
• 使用keras.metrics.py中的函数

def handle_metrics(metrics, weights=None):metric_name_prefix = 'weighted_' if weights is not None else ''for metric in metrics:# 如果metrics是最常见的那种:accuracy，交叉熵if metric in ('accuracy', 'acc', 'crossentropy', 'ce'):# custom handling of accuracy/crossentropy# (because of class mode duality)output_shape = K.int_shape(self.outputs[i])# 如果输出维度是1或者损失函数是二分类损失函数，那么说明是个二分类问题，应该使用二分类的accuracy和二分类的的交叉熵if (output_shape[-1] == 1 orself.loss_functions[i] == losses.binary_crossentropy):# case: binary accuracy/crossentropyif metric in ('accuracy', 'acc'):metric_fn = metrics_module.binary_accuracyelif metric in ('crossentropy', 'ce'):metric_fn = metrics_module.binary_crossentropy# 如果损失函数是sparse_categorical_crossentropy,那么目标y_input就不是one-hot的，所以就需要使用sparse的多类准去率和sparse的多类交叉熵elif self.loss_functions[i] == losses.sparse_categorical_crossentropy:# case: categorical accuracy/crossentropy# with sparse targetsif metric in ('accuracy', 'acc'):metric_fn = metrics_module.sparse_categorical_accuracyelif metric in ('crossentropy', 'ce'):metric_fn = metrics_module.sparse_categorical_crossentropyelse:# case: categorical accuracy/crossentropyif metric in ('accuracy', 'acc'):metric_fn = metrics_module.categorical_accuracyelif metric in ('crossentropy', 'ce'):metric_fn = metrics_module.categorical_crossentropyif metric in ('accuracy', 'acc'):suffix = 'acc'elif metric in ('crossentropy', 'ce'):suffix = 'ce'weighted_metric_fn = weighted_masked_objective(metric_fn)metric_name = metric_name_prefix + suffixelse:# 如果输入的metric不是字符串，那么就调用metrics模块获取metric_fn = metrics_module.get(metric)weighted_metric_fn = weighted_masked_objective(metric_fn)# Get metric name as stringif hasattr(metric_fn, 'name'):metric_name = metric_fn.nameelse:metric_name = metric_fn.__name__metric_name = metric_name_prefix + metric_namewith K.name_scope(metric_name):metric_result = weighted_metric_fn(y_true, y_pred,weights=weights,mask=masks[i])# Append to self.metrics_names, self.metric_tensors,# self.stateful_metric_namesif len(self.output_names) > 1:metric_name = self.output_names[i] + '_' + metric_name# Dedupe namej = 1base_metric_name = metric_namewhile metric_name in self.metrics_names:metric_name = base_metric_name + '_' + str(j)j += 1self.metrics_names.append(metric_name)self.metrics_tensors.append(metric_result)# Keep track of state updates created by# stateful metrics (i.e. metrics layers).if isinstance(metric_fn, Layer) and metric_fn.stateful:self.stateful_metric_names.append(metric_name)self.stateful_metric_functions.append(metric_fn)self.metrics_updates += metric_fn.updates

无论怎么使用metric，最终都会变成metrics包下面的函数。当使用字符串形式指明accuracy和crossentropy时，keras会非常智能地确定应该使用metrics包下面的哪个函数。因为metrics包下的那些metric函数有不同的使用场景，例如：

• 有的处理的是one-hot形式的y_input(数据的类别)，有的处理的是非one-hot形式的y_input
• 有的处理的是二分类问题的metric，有的处理的是多分类问题的metric

当使用字符串“accuracy”和“crossentropy”指明metric时，keras会根据损失函数、输出层的shape来确定具体应该使用哪个metric函数。在任何情况下，直接使用metrics下面的函数名是总不会出错的。

keras.metrics.py文件中也有一个get(identifier)函数用于获取metric函数。

def get(identifier):if isinstance(identifier, dict):config = {'class_name': str(identifier), 'config': {}}return deserialize(config)elif isinstance(identifier, six.string_types):return deserialize(str(identifier))elif callable(identifier):return identifierelse:raise ValueError('Could not interpret ''metric function identifier:', identifier)

如果identifier是字符串或者字典，那么会根据identifier反序列化出一个metric函数。
如果identifier本身就是一个函数名，那么就直接返回这个函数名。这种方式就为自定义metric提供了巨大便利。

keras中的设计哲学堪称完美。