所以我看到了一个代码示例（太大而无法粘贴），作者使用model.train_on_batch(in, out)代替model.fit(in, out)。 keras的官方文件说：
对一批样品进行单一梯度更新。
但我不明白。它是否与fit（）相同，但它没有做很多前馈 - backprop，它只执行一次？还是我错了？请解释一下。
答案 0 :(得分：7)
是的，train_on_batch只使用一个批次和一次。
虽然fit训练许多时期的许多批次。 （每个批次都会导致权重更新）。
使用train_on_batch的想法可能是在每批之间自己做更多事情。
答案 1 :(得分：0)
用于每次批次培训后我们希望了解并进行一些自定义更改时使用。
一个更精确的用例是GAN。 您必须更新鉴别器，但在更新GAN网络的过程中，必须使鉴别器不易训练。因此，您首先要训练鉴别器，然后再训练gan使鉴别器不可训练。 请参阅以下内容以了解更多信息： https://medium.com/datadriveninvestor/generative-adversarial-network-gan-using-keras-ce1c05cfdfd3
答案 2 :(得分：0)
模型的方法拟合将训练模型一次通过您提供的数据，但是由于内存（尤其是GPU内存）的限制，我们无法一次训练大量样本，因此我们需要将这些数据分成称为迷你批次的小片段（或成批）。 keras模型的方法拟合将为您完成此数据划分，并遍历您提供的所有数据。
但是，有时我们需要更复杂的训练程序，例如，我们希望在每个时期随机选择新样本放入批处理缓冲区中（例如GAN训练和Siamese CNN训练...），在这种情况下，我们不使用看中了一个简单的拟合方法，但是我们使用了train_on_batch方法。要使用此方法，我们在每次迭代中生成一批输入和一批输出（标签），并将其传递给此方法，它将立即对一批中的整个样本进行训练，并给出损失和其他指标计算批次样品。