fit_ont_epoch

很抱歉，我没有找到`fit_ont_epoch`这个方法，但我可以为您介绍`fit_generator`和`fit`方法。这两个方法都是Keras模型训练过程中的核心方法，用于在训练数据上对模型进行训练。

`fit_generator`方法允许你将数据生成器作为模型的输入进行训练，其中generator应该返回一个tuple (inputs, targets)。下面是一个简单的使用`fit_generator`方法的例子，步骤如下：
1.导入模块和数据

from keras.models import Sequential
from keras.layers import Dense
import numpy as np

# 生成虚拟数据
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_val = np.random.random((100, 20))
y_val = np.random.randint(2, size=(100, 1))

2.定义模型

model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

3.定义数据生成器

def generate_arrays_from_file(path):
    while 1:
        with open(path) as f:
            for line in f:
                # create Numpy arrays of input data
                # and labels, from each line in the file
                x1, x2, y = process_line(line)
                yield ({'input_1': x1, 'input_2': x2}, {'output': y})

# 使用数据生成器训练模型
model.fit_generator(generate_arrays_from_file('/my_file.txt'),
                    steps_per_epoch=10000, epochs=10)

`fit`方法与`fit_generator`类似，但输入数据应该是一个Numpy数组。下面是一个简单的使用`fit`方法的例子，步骤如下：
1.导入模块和数据

from keras.models import Sequential
from keras.layers import Dense
import numpy as np

# 生成虚拟数据
x_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
x_val = np.random.random((100, 20))
y_val = np.random.randint(2, size=(100, 1))

2.定义模型

model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

3.使用数据训练模型

model.fit(x_train, y_train,
          batch_size=32,
          epochs=10,
          validation_data=(x_val, y_val),
          verbose=1)