keras的Model支持两种模式的训练：

• 直接传入数组，最终会调用train_array.py中的fit_loop()函数
• 直接传入生成器，最终会调用train_generator.py中的fit_generator()函数

train_array.py文件只有三个函数，就是fit_loop()、predict_loop()、evaluate_loop()

train_generator.py文件只有三个函数，就是fit_generator()函数、predict_generator()、evaluate_generator()

这两个函数非常相似，参数也都差不多。它们都接受一个model参数，它的类型是一个Model实例。因为这两个函数比较重量级，所以从Model中拆分出来单独作为一个文件，这两个文件可以说是keras的心脏。这两个文件把模型、损失、评测指标、回调等组件结合起来，仿佛各条小溪在此处汇聚成大河，仿佛各个乐器在此处齐鸣奏出交响乐。只要看懂这两个文件，keras可以说是懂了半壁江山。以这两个文件为出发点，顺藤摸瓜按图索骥就能够把keras的各个模块、各个部件理得很清。

fit_loop()有steps_per_epoch和batch_size两个参数，但是这两个参数不能同时指定。因为fit_loop传入了全部数据，所以样本总数是确定的。steps_per_epoch*batch_size应该近似等于样本总数。也就是说steps_per_epoch和batch_size这两个变量在样本总数已知的情况下可以互相推出。

fit_loop()函数适用场景包括：

• 样本数可以全部加载到内存
• 样本长度统一且固定

fit_generator()相比fit_loop()要灵活很多，但是用起来却需要额外的步骤。它需要提供一个生成器，这个生成器应该是一个无穷无尽的生成器，也就是说它应该始终源源不断地产生数据，通过steps_per_epoch来指明每个轮次包含的样本数。对于生成器每次返回数据，样本个数即为batch_size。生成器每次返回的数据batch_size是可以参差不齐的。