Python 强制keras mode.fit（）使用多处理

我正在使用带有theano后端的Keras，我想在gpu上训练我的网络。这实际上效果不错。但是，当我想对大量数据进行培训时，我意识到，

model.fit（）

函数中存在瓶颈（我使用的是函数API）

实际上，在

model.fit（）函数中，Keras开始使用GPU进行培训。但在GPU上启动之前，它需要大量CPU工作来准备培训（我不知道实际培训之前，
fit（）
在做什么）。问题是，这个部分只使用一个线程，所以这个部分需要相当长的时间

在这一步中是否可能强制Keras使用多处理

编辑：在我的函数调用中添加了其他数据：

我的函数调用如下所示：

optimizer = SGD(lr=0.00001)
early_stopping = EarlyStopping(monitor='val_loss', patience=30, verbose=1, mode='auto')
outname = join(outdir, save_base_name+".model")
checkpoint = ModelCheckpoint(outname, monitor='val_loss', verbose=1, save_best_only=True)
model.compile(loss='hinge', optimizer=optimizer, metrics=['accuracy'])
model.fit(
    train_instances.x,
    train_instances.y,
    batch_size=60,
    epochs=50,
    verbose=1,
    callbacks=[checkpoint, early_stopping],
    validation_data=(valid_instances.x, valid_instances.y),
    shuffle=True
)

我使用的模型（您可以在这里找到实现：）有90个输入（共享层），维度为100x300（word2vec嵌入层：100个单词，每个有300个维度）。我向网络提供了12500个培训实例和1000个验证实例。
您能否提供有关
fit
方法调用、模型大小等的更多详细信息？当然可以。我在最初的帖子中添加了一些关于方法调用、模型和输入数据的信息。如果你需要更多的信息，请告诉我。