我想在Keras中创建一个能够“逐样本”学习的模型；这种类型的机器被称为在线学习，即一个能够逐个接收和拟合数据的模型。我的问题是：如何在Keras中实现这一点？仅仅通过在拟合时设置batch_size=1就可以做到吗？

回答：

在Keras中，批次大小与数据的输入方式无关。批次大小决定了每次梯度更新时将要并行输入网络的样本数量。批次大小的更清晰解释取决于网络的类型。例如，在有状态的RNN中，批次大小为N意味着输入张量包含N个独立的序列。单个批次处理会使所有N个序列向前移动一个样本。因此，在每个批次中，处理N个样本（每个N个独立序列中的一个），并更新梯度。

因此，在你的情况下，似乎只有一个样本流，如果样本是时间序列数据，那么我们肯定需要batch_size=1。如果在部署模型之前你有一个数据集来训练模型，你可以将它们全部读入内存并fit模型，部署后当有新的观察数据提供时，你可以反复使用train_on_batch或fit来训练模型。没有限制你可以fit模型的次数。