Tensorflow colabs中无内存溢出的图像和标签人脸属性检测

我正在做一个深度学习项目，关于keras人脸属性检测。我的数据集是众所周知的。有关celeb图像和

列表\u attr\u celeba.csv

文件的数据集。我收集的数据如下：

例如：

 - image => "000002.jpg"
 - y_nose = [0, 0]
 - y_mouth = [0 ,1]
 - y_eyes = [1, 0, 0, 1, 0]
 - y_faces = [0, 1, 0]
 - y_around_head = [1, 0, 0, 1, 0, 1, 0, 1, 0, 0]
 - y_cheeks = [0, 0]
 - y_fat = [1, 1]

这是我的意见。我正在使用keras函数api。我的模型是多输出模型类型。模型架构是：

我使用colabs gpu（免费版）来训练模型。我开始训练模特

• 20000张图像（每个图像尺寸为（2002003））
• %80次培训、10次验证和10次测试
• 30纪元
• 训练批大小为512
• 验证批大小为128

完成模型训练后，除了头部、鼻子和嘴巴的准确度外，我的成绩很好。我的问题是，我听说这样大的映像数据应该会导致colabs内存溢出。但当我在训练后检查内存使用情况时，因为gpu只有4.60GB。我的模型有问题吗？我不知道如何检查这种情况。我的意思是，当我第一次尝试训练模型时，我使用sklearn.model\u selection train\u test\u split来分割数据。当我使用它时，它会导致内存溢出，为了解决这个问题，我制作了自己的数据生成器。这似乎解决了问题，但即使我使用大批量（如512），我认为这应该是内存泄漏。但它不会发生内存溢出。这是我的第一个深度学习项目，我不确定model.fit是否正常工作。如果你在colabs中制作了这么大的图片，请分享你的知识