对于这个问题，第一作者给出了一个简单的答案：
使用fit_generator，您还可以使用验证数据的生成器。一般来说，我建议使用fit_generator，但使用train_on_batch也可以。这些方法只是为了在不同的用例中使用方便，没有“正确”的方法。
train_on_batch允许您根据您提供的样本集合明确更新权重，而不考虑任何固定的批处理大小。您可以在需要时使用此选项：您可以使用这种方法在传统训练集的多个批处理上维护自己的迭代，但允许fit或fit_generator为您迭代批处理可能更简单。
使用train_on_batch的一种情况是，在一批新样本上更新预先训练好的模型。假设您已经训练并部署了一个模型，稍后您收到了一组以前从未使用过的新训练样本。您可以使用train_on_batch仅在这些样本上直接更新现有模型。其他方法也可以做到这一点。但是对于这种情况使用train_on_batch是相当明确的。
除了像这样的特殊情况（出于某种教学原因，您需要在不同的训练批处理之间维护自己的游标，或者需要在特殊批处理上进行某种类型的半在线训练更新），最好始终使用fit（用于适合内存的数据）或fit_generator（用于将数据流批处理作为生成器）。

train_on_batch()使您能够更好地控制LSTM的状态，例如，在使用有状态LSTM并需要控制对model.reset_states()的调用时。您可能有多个系列的数据，并需要在每个系列之后重置状态，这可以使用train_on_batch()来完成。但是如果你使用.fit()，那么网络将在所有的数据序列上训练，而不需要重置状态。没有对与错，这取决于你使用的是什么数据，以及您希望网络如何运行。

如果您使用的是大型数据集，并且没有易于序列化的数据（如高秩numpy数组）来写入tfrecord，那么Train_on_batch的性能也会比fit和fit生成器有所提高。
在这种情况下，您可以将数组保存为numpy文件并加载其中较小的子集（traina.npy，trainb.npy等），当整个集合不适合内存时，您可以使用tf.data.Dataset.from_tensor_slices，然后使用train_on_batch处理您的子数据集，然后加载另一个数据集并再次调用train on batch，等等。现在你已经训练了你的整个数据集，并且可以精确地控制你的数据集训练你的模型的多少和什么。然后你可以定义你自己的时期，批量大小，等等，用简单的循环和函数从你的数据集中抓取。

@nbro answer确实有帮助，只是为了增加一些场景，假设你正在训练一些seq to seq模型或者一个带有一个或多个编码器的大型网络。我们可以使用train_on_batch创建自定义训练循环，并使用我们的一部分数据直接在编码器上验证，而不使用回调。为复杂的验证过程编写回调可能很困难。有几种情况下我们希望在批处理上训练。
问候你，卡希克

来自Keras -模型培训API：

• fit：为模型训练固定数量的时期（数据集上的迭代）。
• 批次培养：对单个批次数据运行单个梯度更新。

当我们一次使用一批训练数据集更新鉴别器和生成器时，我们可以在GAN中使用它。我在Jason Brownlee的教程（How to Develop a 1D Generative Adversarial Network From Scratch in Keras）中看到使用train_on_batch。

快速搜索提示：键入Control+F，然后在搜索框中键入要搜索的术语（例如train_on_batch）。