我在Go of datas上用kearas训练一个模型，在我的计算机无法处理所需的RAM的时候。所以我试图实现我的训练，因为1 epoche是用多个model.fit调用完成的，比如：

for epoche in range(nbEpoches):
    for index_df in range(len(list_of_dataFrames)):
        dataFrame = load_dataFrame(list_of_dataFrames, index_df) # load in ram only this DF
        X_train, Y_train, X_test, Y_test = calc_train_arrays(dataFrame)
        model.fit(
            X_train, Y_train,
            validation_data=(X_test, Y_test),
            # ... what I am asking
            batch_size=batch_size,
        )

而X_train和X_test是形状的numpy数组（成千上万，35到200，54+），因此使用多个批次是强制性的（对于GPU的VRAM），并且动态加载dataFrames（对于RAM），这迫使我对同一个epoch使用多个fit调用。
我问如何使用model.fit函数来做到这一点。
我还想知道是否使用一个形状数组的生成器（batch_size，35+，54+）和指定steps_per_epoch可以是一个想法？
我首先尝试通过仅在大约20k样本的单个dataFrame上进行训练来避免这个问题，但是模型存在泛化问题。我还尝试每个dataframe只做一个epoch，但是似乎每个dataframe都在学习其他dataframe。