那随着batch更新呢

在深度学习中，如果你想要在每个批次之后更新某个指标，比如损失（loss），通常会在`fit`循环中完成。例如，每次训练完一个批次后，你会计算该批次的平均损失，然后将其添加到累计总损失上。这是一种常见的做法，可以让用户看到训练过程中的实时性能反馈。

下面是一个简化的例子，展示如何在TensorFlow中实现这一过程：

import tensorflow as tf
from tensorflow.keras import Model
from tensorflow.keras.datasets import mnist

# 假设我们有MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
model = MyModel()  # 自定义模型

# 定义损失函数、优化器
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
optimizer = tf.keras.optimizers.Adam()

# 初始化累积损失
cumulative_loss = 0

# 对于每个批次
for x_batch, y_batch in tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(batch_size):
    with tf.GradientTape() as tape:
        logits = model(x_batch)
        batch_loss = loss_fn(y_batch, logits)

    gradients = tape.gradient(batch_loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))

    # 汇总并更新累计损失
    cumulative_loss += batch_loss.numpy().mean()

    # 可选：使用tqdm显示进度
    # 这里省略了tqdm部分，因为上面已经解释过怎么在tqdm中显示loss

print("Average Loss per Batch:", cumulative_loss / num_batches)

在这个例子中，`num_batches`表示整个训练数据被分成了多少个批次。每迭代一次，都会计算当前批次的损失并累加到`cumulative_loss`上，最后得到的是所有批次的平均损失。