Python 3.x 在model.fit（）、model.train_on_batch（）、model.fit_generator（）中，哪种方法最适合进行培训

我有一个600张（512*512*1）分辨率图像的训练数据集，分为两类（每类300张图像）。使用一些增强技术，我将数据集增加到10000张图像。经过以下预处理步骤

all_images=np.array(all_images)/255.0
all_images=all_images.astype('float16')
all_images=all_images.reshape(-1,512,512,1)
saved these images to H5 file.

我使用AlexNet体系结构进行分类，其中包含3个卷积、3个重叠的最大池层。 我想知道以下哪种情况最适合使用内存大小限制为12GB的Google Colab进行培训

1. model.fit(x,y,validation_split=0.2)
# For this I have to load all data into memory and then applying an AlexNet to data will simply cause Resource-Exhaust error.

2. model.train_on_batch(x,y)
# For this I have written a script which randomly loads the data batch-wise from H5 file into the memory and train on that data. I am confused by the property of train_on_batch() i.e single gradient update. Do this will affect my training procedure or will it be same as model.fit().

3. model.fit_generator() 
# giving the original directory of images to its data_generator function which automatically augments the data and then train using model.fit_generator(). I haven't tried this yet. 

---

请指导我，在我的案例中，哪种方法是最好的。我已经阅读了很多答案，关于model.fit（）、model.train\u on\u batch（）和model.fit\u generator（），但我仍然感到困惑。

model.fit-如果您将数据作为numpy数组加载，并且在不进行扩展的情况下进行训练，则适用。 model.fit_generator-如果您的数据集太大，无法放入内存或\并且您希望动态应用扩充。

---

model.train\u on\u batch-不太常见，通常在一次培训多个模型时使用（例如GAN）

哦，是的，我明白了。非常感谢您的时间和帮助。请指导我最后一件事，我可以使用model.fit_generator（）来保存我保存的增强数据，即我已增强并保存在numpy数组中的数据到H5文件。将该H5文件中的随机批处理数据加载到内存让我们假设batchsize为64，然后使用fit_generator（）进行训练