Keras深度學習庫包括三個獨立的函數，可用於訓練您自己的模型：
1.Keras的.fit，.fit_generator和.train_on_batch函數之間的區別
2.在訓練自己的深度學習模型時，何時使用每個函數
3.如何實現自己的Keras數據生成器，並在使用.fit_generator訓練模型時使用它
4.在訓練完成後評估網絡時，如何使用.predict_generator函數
fit：
model.fit(trainX, trainY, batch_size=32, epochs=50)
在這裏您可以看到我們提供的訓練數據（trainX）和訓練標籤（trainY）。
然後，我們指示Keras允許我們的模型訓練50個epoch，同時batch size爲32。
對.fit的調用在這裏做出兩個主要假設：
我們的整個訓練集可以放入RAM
沒有數據增強（即不需要Keras生成器）
相反，我們的網絡將在原始數據上訓練。
原始數據本身將適合內存，我們無需將舊批量數據從RAM中移出並將新批量數據移入RAM。
此外，我們不會使用數據增強動態操縱訓練數據。
Keras fit_generator：
對於小型，簡單化的數據集，使用Keras的.fit函數是完全可以接受的。
這些數據集通常不是很具有挑戰性，不需要任何數據增強。
但是，真實世界的數據集很少這麼簡單：
真實世界的數據集通常太大而無法放入內存中
它們也往往具有挑戰性，要求我們執行數據增強以避免過擬合併增加我們的模型的泛化能力
在這些情況下，我們需要利用Keras的.fit_generator函數：
# initialize the number of epochs and batch size
EPOCHS = 100
BS = 32
# construct the training image generator for data augmentation
aug = ImageDataGenerator(rotation_range=20, zoom_range=0.15,
width_shift_range=0.2, height_shift_range=0.2, shear_range=0.15,
horizontal_flip=True, fill_mode="nearest")
# train the network
H = model.fit_generator(aug.flow(trainX, trainY, batch_size=BS),
validation_data=(testX, testY), steps_per_epoch=len(trainX) // BS,
epochs=EPOCHS)
執行數據增強是正則化的一種形式，使我們的模型能夠更好的被泛化。
但是，應用數據增強意味着我們的訓練數據不再是“靜態的” ——數據不斷變化。
根據提供給ImageDataGenerator的參數隨機調整每批新數據。
因此，我們現在需要利用Keras的.fit_generator函數來訓練我們的模型。
顧名思義，.fit_generator函數假定存在一個爲其生成數據的基礎函數。
該函數本身是一個Python生成器。
Keras在使用.fit_generator訓練模型時的過程：
- Keras調用提供給
.fit_generator的生成器函數（在本例中爲aug.flow） - 生成器函數爲
.fit_generator函數生成一批大小爲BS的數據 .fit_generator函數接受批量數據，執行反向傳播，並更新模型中的權重- 重複該過程直到達到期望的epoch數量
您會注意到我們現在需要在調用.fit_generator時提供steps_per_epoch參數（.fit方法沒有這樣的參數）。
爲什麼我們需要steps_per_epoch？
請記住，Keras數據生成器意味着無限循環，它永遠不會返回或退出。
由於該函數旨在無限循環，因此Keras無法確定一個epoch何時開始的，並且新的epoch何時開始。
因此，我們將訓練數據的總數除以批量大小的結果作爲steps_per_epoch的值。一旦Keras到達這一步，它就會知道這是一個新的epoch。
Keras train_on_batch函數:
對於尋求對Keras模型進行精細控制（ finest-grained control）的深度學習實踐者，您可能希望使用
.train_on_batch
函數：
model.train_on_batch(batchX, batchY)
train_on_batch函數接受單批數據，執行反向傳播，然後更新模型參數。
該批數據可以是任意大小的（即，它不需要提供明確的批量大小）。
您也可以生成數據。此數據可以是磁盤上的原始圖像，也可以是以某種方式修改或擴充的數據。
當您有非常明確的理由想要維護自己的訓練數據迭代器時，通常會使用.train_on_batch函數，例如數據迭代過程非常複雜並且需要自定義代碼。
如果你發現自己在詢問是否需要.train_on_batch函數，那麼很有可能你可能不需要。
在99％的情況下，您不需要對訓練深度學習模型進行如此精細的控制。相反，您可能只需要自定義Keras .fit_generator函數。
也就是說，如果你需要它，知道存在這個函數是很好的。
如果您是一名高級深度學習從業者/工程師，並且您確切知道自己在做什麼以及爲什麼這樣做，我通常只建議使用.train_on_batch函數。