对于这个问题，这是主要作者的一个简单答案 ：

使用fit_generator ，您还可以将生成器用于验证数据。通常，我建议使用fit_generator ，但使用train_on_batch也可以。这些方法只是为了方便起见而存在于不同的用例中，没有“正确”的方法。

train_on_batch允许您根据所提供的样本集合明确更新权重，而无需考虑任何固定的批次大小。您可以在需要的情况下使用它：训练明确的样本集合。您可以使用该方法在多个传统训练集的批次上维护自己的迭代，但是允许fit或fit_generator为您迭代批次可能更简单。

最好使用train_on_batch一种情况是在一批新的样本上更新预先训练的模型。假设您已经训练和部署了一个模型，并且稍后某个时候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，但是在这种情况下，使用train_on_batch是相当明确的。

除了像这样的特殊情况（在某些教学原因上，您需要在不同的培训批次之间保持自己的光标，或者在特殊批次上进行某种类型的半在线培训更新）之外，最好始终使用fit （适用于内存中的数据）或fit_generator （适用于将成批的数据作为生成器进行流式处理）。

train_on_batch()使您可以更好地控制LSTM的状态，例如，在使用有状态LSTM并控制对model.reset_states()调用时。您可能具有多系列数据，并且需要在每个系列之后重置状态，这可以使用train_on_batch() ，但是如果使用.fit()则网络将接受所有系列数据的训练，而无需重置状态。没有对与错，这取决于您所使用的数据以及网络的运行方式。