在监督学习中我们使用梯度下降法时，学习率是一个很重要的指标，因为学习率决定了学习进程的快慢（也可以看作步幅的大小）。如果学习率过大，很可能会越过最优值，反而如果学习率过小，优化的效率可能很低，导致过长的运算时间，所以学习率对于算法性能的表现十分重要。

而优化器keras.optimizers.Adam()是解决这个问题的一个方案。其大概的思想是开始的学习率设置为一个较大的值，然后根据次数的增多，动态的减小学习率，以实现效率和效果的兼得。
?

lr：float> = 0.学习率

beta_1：float，0 <beta <1。一般接近1。一阶矩估计的指数衰减率

beta_2：float，0 <beta <1。一般接近1。二阶矩估计的指数衰减率

epsilon：float> = 0, ?模糊因子。如果None，默认为K.epsilon( ?)。该参数是非常小的数，其为了防止在实现中除以零

decay：float> = 0, ?每次更新时学习率下降

在上面的示例中，我们首先创建了一个Adam优化器的实例，并通过参数设置初始学习率。然后，我们将该优化器实例传递给方法作为优化器参数，同时指定了损失函数和评估指标。最后，在模型的训练过程中，我们可以直接使用该优化器进行参数更新。

?