要按照Keras示例对每个批次记录Keras指标的日志，可以使用Callback类中的on_batch_end方法。以下是一个包含代码示例的解决方法：

from keras.callbacks import Callback

class LogMetrics(Callback):
    def on_batch_end(self, batch, logs={}):
        # 打印每个批次的指标日志
        print('Batch {}: loss = {}, accuracy = {}'.format(batch, logs['loss'], logs['accuracy']))

# 创建一个模型
model = ...

# 实例化自定义的Callback类
log_metrics = LogMetrics()

# 编译模型
model.compile(...)

# 训练模型时传入自定义的Callback类
model.fit(..., callbacks=[log_metrics])

在上面的示例中，LogMetrics是一个自定义的Callback类，它重写了on_batch_end方法，该方法在每个批次训练结束时被调用。在on_batch_end方法中，可以通过logs参数获取每个批次的指标日志，如loss和accuracy等。你可以根据需要自定义打印的日志格式。

然后，创建一个模型并实例化自定义的Callback类。接下来，编译模型并在训练模型时通过callbacks参数传入自定义的Callback类实例。

这样，每次训练一个批次结束时，都会调用on_batch_end方法，打印出指标日志。你可以根据需要自定义其他操作，例如将指标日志写入日志文件或可视化等。