我的模型有100,000张训练图像样本，我该如何修改下面的代码以分批训练？使用model.fit_generator时，我需要在生成器函数中指定以下内容：

def data_generator(descriptions, features, n_step, max_sequence):    # 循环直到训练结束    while 1:        # 遍历数据集中照片的标识符        for i in range(0, len(descriptions), n_step):            Ximages, XSeq, y = list(), list(),list()            for j in range(i, min(len(descriptions), i+n_step)):                image = features[j]                # 检索文本输入                desc = descriptions[j]                # 生成输入-输出对                in_img, in_seq, out_word = preprocess_data([desc], [image], max_sequence)                for k in range(len(in_img)):                    Ximages.append(in_img[k])                    XSeq.append(in_seq[k])                    y.append(out_word[k])            # 将这一批样本传递给模型            yield [[array(Ximages), array(XSeq)], array(y)]

我的model.fit_generator代码如下：

model.fit_generator(data_generator(texts, train_features, 1, 150),                     steps_per_epoch=1500, epochs=50, callbacks=callbacks_list, verbose=1)

任何帮助都将非常受欢迎，我在云端的16GB V100 Tesla上进行训练

编辑：我的图像标注模型为DSL中的每个标记（250个标记）创建一个训练样本。数据集有50张图片（相当于12500个训练样本），批量大小为1时，我会遇到内存溢出（OOM）。当大约有32张图片（相当于8000个样本，批量大小为1）时，它可以正常训练。我的问题是，我能否更好地优化我的代码，还是我唯一的选择是使用多GPU？

解决方案：

steps_per_epoch必须等于ceil(num_samples / batch_size)，所以如果数据集有1500个样本，steps_per_epoch应该等于1500。我还将LSTM滑动窗口从48减少到24

steps_per_epoch：整数。在从生成器中yield出样本批次之前，总共需要的步骤数（样本批次）以完成一个epoch并开始下一个epoch。通常应等于ceil(num_samples / batch_size)。对于Sequence是可选的：如果未指定，将使用len(generator)作为步骤数。

回答：

生成器已经返回批次。

每次yield都是一个批次。完全由您决定如何设计生成器来按您想要的方式处理批次。

在您的代码中，批量大小是n_step。