train_on_batch()与fit()有何不同？在哪些情况下我们应该使用train_on_batch()？

回答：

对于这个问题，来自主要作者的简单回答是：

使用fit_generator时，你也可以为验证数据使用生成器。总的来说，我建议使用fit_generator，但使用train_on_batch也是可以的。这些方法只是为了在不同使用场景中提供便利，并不存在“正确”的方法。

train_on_batch允许你基于你提供的一组样本明确地更新权重，而不考虑任何固定的批次大小。你会在想要明确地在一个特定样本集合上进行训练时使用这个方法。你可以使用这种方法在传统训练集的多个批次上自己进行迭代，但让fit或fit_generator为你迭代批次可能会更简单。

使用train_on_batch的一个不错的场景是用一个新的样本批次来更新预训练模型。假设你已经训练并部署了一个模型，后来你收到了之前从未使用过的一组新的训练样本。你可以使用train_on_batch直接仅在这些样本上更新现有模型。其他方法也可以做到这一点，但使用train_on_batch来处理这种情况更为明确。

除了这种特殊情况（例如，你有教育上的理由需要在不同的训练批次上维护自己的游标，或者对于某个特殊批次进行某种半在线训练更新），在大多数情况下，最好始终使用fit（对于能装入内存的数据）或fit_generator（对于以生成器形式流式传输的数据批次）。