目標函式，或稱損失函式，是網路中的效能函式，也是編譯一個模型必須的兩個引數之一。由於損失函式種類眾多，下面以keras官網手冊的為例。

在官方keras.io裡面，有如下資料：

mean_squared_error或mse

mean_absolute_error或mae

mean_absolute_percentage_error或mape

mean_squared_logarithmic_error或msle

squared_hinge

hinge

binary_crossentropy（亦稱作對數損失，logloss）

categorical_crossentropy：亦稱作多類的對數損失，注意使用該目標函式時，需要將標籤轉化為形如(nb_samples, nb_classes)的二值序列

sparse_categorical_crossentrop：如上，但接受稀疏標籤。注意，使用該函式時仍然需要你的標籤與輸出值的維度相同，你可能需要在標籤資料上增加一個維度：np.expand_dims(y,-1)

kullback_leibler_divergence:從預測值機率分佈Q到真值機率分佈P的資訊增益,用以度量兩個分佈的差異.

cosine_proximity：即預測值與真實標籤的餘弦距離平均值的相反數