Deep learning LSTM神经网络中的损失函数

我不明白在这些网络中什么被最小化了。 有人能解释一下当LSTM网络中的损耗变小时，在数学上发生了什么吗

model.compile(loss='categorical_crossentropy', optimizer='adam')

从这个角度来看，

分类的交叉熵就是多类对数损失。原木损失的数学和理论解释

基本上，LSTM为单词（或字符，取决于您的模型）指定标签，并通过惩罚单词（或字符）序列中的错误标签来优化模型。该模型采用输入单词或字符向量，并根据训练示例尝试猜测下一个“最佳”单词。分类交叉熵是衡量猜测好坏的一种定量方法。当模型在训练集上迭代时，它在猜测下一个最佳单词（或字符）时会犯更少的错误
 好消息。我想知道这个问题到底出了什么问题，它可能更适合交叉验证或数据科学或计算机科学堆栈，但既然你问的是keras中的具体实现，我认为这是有争议的。