loss='categorical_crossentropy，对这个损失函数将详细介绍

`categorical_crossentropy`（分类交叉熵）是深度学习中常用的一种损失函数，用于多分类问题。在训练神经网络分类器时，我们希望输出的结果与真实标签尽可能接近，而交叉熵损失函数就是用来衡量这种接近程度的一个指标。

在多分类问题中，每个输入样本都有一个对应的正确标签。将正确标签表示为一个概率分布，即一个向量，其中正确标签对应的位置的值为1，其余位置的值为0。例如，如果有4个类别，则正确标签为[0, 1, 0, 0]。神经网络的输出也是一个概率分布，表示每个类别的概率。交叉熵损失函数就是用来衡量这两个概率分布之间的差异。

在`categorical_crossentropy`中，我们首先对正确标签进行one-hot编码，然后计算模型的输出与正确标签之间的交叉熵。交叉熵越小，表示模型输出的概率分布越接近正确标签的概率分布，模型的性能也就越好。

`categorical_crossentropy`的数学公式为：

$$
loss = - \sum_{i=1}^{C} y_i \log(p_i)
$$

其中，$C$表示类别数，$y_i$表示正确标签中第$i$个位置的值（0或1），$p_i$表示模型输出的概率分布中第$i$个位置的值。交叉熵损失函数的计算结果越小，表示模型的性能越好。

需要注意的是，使用`categorical_crossentropy`时，输入的标签必须进行one-hot编码。如果标签没有进行one-hot编码，可以使用`sparse_categorical_crossentropy`代替`categorical_crossentropy`。