在R中并行训练多个网络（使用Keras）

我想在R中并行训练n个不同的神经网络，我该怎么做？我对并行化相当陌生，所以我觉得这有点困难

以下是我的1个网络代码（到目前为止）：

模型%layer\u density（单位=高度，激活=“relu”，输入\u形状=1）
用于（1中的i：深度）{
模型%>%层密度（单位=高度，激活=“relu”，输入形状=1）
}
#读出层（ffNN）
模型%>%层密度（单位=1）
#编译（ffNN）
模型%>%keras:：编译（loss=“mse”，
optimizer=“adam”，
metrics=“mse”）
##报告模型（摘要）
型号%>%摘要（）
#拟合ffNN
fit.ffNN.start您在网络上找不到任何东西如何在R中并行
McLappy
，
Lappy，
Parlappy`是一条路要走，而且确实用于
fit
方法，因此我对所有人都有点陌生，所以我做的事情让人困惑。抱歉，如果这是一个基本问题。不用担心，但我认为在R中进行并行化的教程通常最适合您，例如，等等。您看到了吗？所以我应该将其包装成一个函数（输入为空），然后执行mcapply？
model<-keras_model_sequential()
# Define bulk of the network
model %>% layer_dense(units=Height,activation = "relu",input_shape = 1)


for(i in 1:Depth){
  model %>% layer_dense(units=Height,activation = "relu",input_shape = 1) 
}

# Readout Layer (ffNN)
model %>% layer_dense(units=1)

# Compile (ffNN)
model %>% keras::compile(loss="mse",
                         optimizer="adam",
                         metrics="mse")


## Report Model (Summary)
model %>% summary()

# Fit ffNN
fit.ffNN.start<-Sys.time()
fittedmodel<- model %>%
  keras::fit(train_data,
             trainingtarget,
             epochs=epochs,
             batch_size=(round(min(1,abs(Batch.size.percent))*nrow(train_data),digits = 0)), # Computes batch-size as a percentage of total data-size
  )
fit.ffNN.end<-Sys.time()