1.SGD（Stochastic Gradient Descent）

2.RMSprop（Root Mean Square Propagation）

3.Adadelta

4.Adam（Adaptive Moment Estimation）

5.Nadam

6.代码实现

from sklearn.compose import make_column_transformer
from sklearn.model_selection import GroupShuffleSplit, train_test_split
# !pip install --upgrade tensorflow
import tensorflow as tf
from tensorflow.keras import layers, callbacks
from tensorflow.keras.optimizers import SGD, Adam, Nadam,RMSprop, Adagrad, Adadelta
from tensorflow.keras.models import Model
from tensorflow.keras import backend as K
# 构建LSTM模型
model = tf.keras.Sequential()
model.add(layers.LSTM(units=64, input_shape=(timesteps, features_per_timestamp)))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(forecast_horizon, activation=None))  # 回归任务通常不使用激活函数
#优化器
# 使用Adam优化器并设置学习率为0.001
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
# 或者使用SGD优化器
# optimizer = SGD(learning_rate=0.01, momentum=0.9)
# 使用RMSprop优化器并设置学习率为0.001，rho值为0.9（衰减率）
# optimizer = RMSprop(learning_rate=0.001, rho=0.9)
# 使用Adadelta优化器，默认rho值为0.95（对应RMSprop中的rho），默认epsilon为1e-6（数值稳定参数）
# optimizer = Adadelta()
# 使用Nadam优化器，并设置学习率为0.002，beta_1和beta_2分别为默认的0.9和0.999
# optimizer = Nadam(learning_rate=0.002)

model.compile(
    loss=loss,
    sample_weight_mode = 'temporal',
      metrics=[RMSE, MSE, MAE, R2, MAPE], 
      optimizer=optimizer
    )