一、train_on_batch
model.train_on_batch(batchX, batchY)
train_on_batch函數接受單批數據，執行反向傳播，然后更新模型參數，該批數據的大小可以是任意的，即，它不需要提供明確的批量大小，屬于精細化控制訓練模型，大部分情況下我們不需要這么精細，99%情況下使用fit_generator訓練方式即可，下面會介紹。
二、fit
model.fit(x_train, y_train, batch_size=32, epochs=10)
fit的方式是一次把訓練數據全部加載到內存中，然后每次批處理batch_size個數據來更新模型參數，epochs就不用多介紹了。這種訓練方式只適合訓練數據量比較小的情況下使用。
三、fit_generator
利用Python的生成器，逐個生成數據的batch并進行訓練，不占用大量內存，同時生成器與模型將并行執行以提高效率。例如，該函數允許我們在CPU上進行實時的數據提升，同時在GPU上進行模型訓練
接口如下：
fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_q_size=10, workers=1, pickle_safe=False, initial_epoch=0)
generator：生成器函數
steps_per_epoch：整數，當生成器返回steps_per_epoch次數據時，計一個epoch結束，執行下一個epoch。也就是一個epoch下執行多少次batch_size。
epochs：整數，控制數據迭代的輪數，到了就結束訓練。
callbacks=None, list，list中的元素為keras.callbacks.Callback對象，在訓練過程中會調用list中的回調函數
舉例：
def generate_arrays_from_file(path):
while True:
with open(path) as f:
for line in f:
# create numpy arrays of input data
# and labels, from each line in the file
x1, x2, y = process_line(line)
yield ({'input_1': x1, 'input_2': x2}, {'output': y})
model.fit_generator(generate_arrays_from_file('./my_folder'),
steps_per_epoch=10000, epochs=10)
補充：keras.fit_generator()屬性及取值
如下所示：
fit_generator(self, generator,
steps_per_epoch=None,
epochs=1,
verbose=1,
callbacks=None,
validation_data=None,
validation_steps=None,
class_weight=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False,
shuffle=True,
initial_epoch=0)
通過Python generator產生一批批的數據用于訓練模型。generator可以和模型并行運行，例如，可以使用CPU生成批數據同時在GPU上訓練模型。
參數：
generator：一個generator或Sequence實例，為了避免在使用multiprocessing時直接復制數據。
steps_per_epoch：從generator產生的步驟的總數（樣本批次總數）。通常情況下，應該等于數據集的樣本數量除以批量的大小。
epochs：整數，在數據集上迭代的總數。
works：在使用基于進程的線程時，最多需要啟動的進程數量。
use_multiprocessing：布爾值。當為True時，使用基于基于過程的線程。
例如：
datagen = ImageDataGenator(...)
model.fit_generator(datagen.flow(x_train, y_train,
batch_size=batch_size),
epochs=epochs,
validation_data=(x_test, y_test),
workers=4)
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- keras修改backend的簡單方法
- keras的get_value運行越來越慢的解決方案
- 淺談Keras中fit()和fit_generator()的區別及其參數的坑
- Keras保存模型并載入模型繼續訓練的實現
- TensorFlow2.0使用keras訓練模型的實現
- tensorflow2.0教程之Keras快速入門
- 淺析關于Keras的安裝(pycharm)和初步理解
- 基于Keras的擴展性使用
