tf.keras 有很多內置的損失函數，具體可見官方文檔，這里介紹一部分。
MSE、MAE、BinaryCrossentropy、CategoricalCrossentropy...
1 回歸問題
1.1 均方誤差 (MeanSquaredError，MSE)
這是最簡單也是最常用的損失函數，在線性回歸中，可以通過極大似然估計 (MLE) 推導。
1.2 絕對值誤差 (MeanAbsoluteError，MAE)
1.3 絕對值百分比誤差 (MeanAbsolutePercentageError，MAPE)
1.4 平方對數誤差 (MeanSquaredLogarithmicError，MSLE)
1.5 Hinge
1.6 SquaredHinge
1.7 Huber
當預測偏差小於 δ 時，它采用平方誤差；當預測偏差大於 δ 時，采用的線性誤差。
增強了 MSE 對離群點的魯棒性。
2 分類問題
2.1 BinaryCrossentropy
一般用於二分類，這是針對概率之間的損失函數，只有 yi 和 ˆyi 相等時，loss才為0，否則 loss 是一個正數，且概率相差越大，loss就越大，這種度量概率距離的方式稱為交叉熵。一般最后一層使用 sigmoid 激活函數。
2.2 CategoricalCrossentropy
m 是樣本數，n 是分類數。這是一個多輸出的 loss 函數。一般最后一層使用 softmax 激活函數。
2.3 SparseCategoricalCrossentropy
SparseCategoricalCrossentropy 損失函數同 CategoricalCrossentropy 類似，唯一的區別在於輸入的 y_true 是 one-hot 編碼還是數字編碼。
如果是 one-hot 編碼，例如 [0, 0, 1], [1, 0, 0], [0, 1, 0]，用 CategoricalCrossentropy；
如果是數字編碼，例如 2, 0, 1，用 SparseCategoricalCrossentropy 。
關於參數 from_logits 的設置：如果輸入的 y_pred 經過了 softmax 激活函數的處理，設置為 False；否則，設置為 True，表示該值為 logits，沒有經過 softmax 激活函數的 fully connect 輸出。
2.4 KLD (KL散度，相對熵)
