optimizer='adam'，adam优化器的详细介绍及参数

Adam优化器是一种基于梯度下降算法的优化器，它可以自适应地调整每个参数的学习率，从而有效地优化神经网络的性能。Adam优化器结合了动量法和RMSProp算法的优点，具有较快的优化速度和较好的性能表现。

Adam优化器的参数包括：
1. 学习率（learning rate）：控制每次参数更新的步长，一般设置为较小的值。
2. β1和β2：两个衰减参数，分别控制动量和RMSProp算法的影响程度。一般情况下，β1取值为0.9，β2取值为0.999。
3. ε：一个极小值，避免分母为0的情况。一般取值为10^-8。

Adam优化器的更新公式如下：
m = β1m + (1-β1)g
v = β2v + (1-β2)g^2
θ = θ - α * m / (sqrt(v) + ε)

其中，m和v分别表示动量和RMSProp算法的变量，g表示梯度，θ表示参数，α表示学习率。