在使用Keras的机器学习教程中，训练机器学习模型的代码通常是一行简单的代码。

model.fit(X_train,           Y_train,           nb_epoch=5,           batch_size = 128,           verbose=1,           validation_split=0.1)

当训练数据X_train和Y_train较小时，这看起来很容易。X_train和Y_train是numpy的多维数组。在实际情况中，训练数据可能会达到几千兆字节，这可能太大而无法装入计算机的RAM中。

当训练数据过于庞大时，如何将数据传递给model.fit()呢？

回答：

在Keras中有一个简单的解决方案。你可以简单地使用Python生成器，让你的数据延迟加载。如果你有图像数据，你还可以使用ImageDataGenerator。

def generate_data(x, y, batch_size):        while True:        batch = []        for b in range(batch_size):           batch.append(myDataSlice)        yield np.array(batch )model.fit_generator(generator=generate_data(x, y, batch_size),steps_per_epoch=num_batches, validation_data=list_batch_generator(x_val, y_val, batch_size), validation_steps=num_batches_test)