kerasを用いた複数入力/出力のニューラルネットワークの学習で困っています

前提・実現したいこと

Pythonをベースに、Kerasを用いてロボットの7つの部品から得られた電圧データから、深層学習によって異常検知を行おうとしています。7つの部品それぞれについて30万個の観測データをwindowsizeを500にして、299502行 × 500列の学習データセットを作成し学習を行おうとしています。ニューラルネットワークは、一旦部品ごとに入力層でデータを入力し、その後結合して最後はまた部品ごとに出力をします。

発生している問題

学習データセットは299502行 × 500列にしたので、1Epoch当たりの学習回数は299502回になるはずなのですが、9360回と著しく少なくなってしまっています。なぜ学習データセットが減少しているのかがわからないので質問しました。

該当のソースコード

Python
1import numpy as np
2import pandas as pd
3import matplotlib.pyplot as plt
4from sklearn.preprocessing import MinMaxScaler
5from pandas import DataFrame
6import keras
7from keras.layers import Input, Dense, concatenate
8from keras.layers.core import Activation
9from keras.models import Model
10from keras import regularizers
11from keras.utils import plot_model
12
13A_V = pd.read_csv("motors3_normal.csv", usecols=[1])
14B_V = pd.read_csv("motors3_normal.csv", usecols=[3])
15E_V = pd.read_csv("motors3_normal.csv", usecols=[7])
16N_V = pd.read_csv("motors3_normal.csv", usecols=[12])
17C_V = pd.read_csv("motors3_normal.csv", usecols=[13])
18D_V = pd.read_csv("motors3_normal.csv", usecols=[15])
19F_V = pd.read_csv("motors3_normal.csv", usecols=[19])
20
21A_V_train = A_V[:300001]
22A_V_test = A_V[300001:]
23B_V_train = A_V[:300001]
24(省略)
25
26def subseq(x, w):
27    seq = np.zeros((len(x) - w + 1, w))
28    x_np = x.iloc[:, 0]
29    for i in range(len(x) - w + 1):
30        seq[i, :] = x_np[i:w+i]
31    return DataFrame(seq)
32
33w_size = 500
34
35train_AV = subseq(A_V_train, w_size)
36test_AV = subseq(A_V_test, w_size)
37train_BV = subseq(B_V_train, w_size)
38(他省略)
39
40sc = MinMaxScaler()
41
42train_AV = sc.fit_transform(train_AV)
43test_AV = sc.fit_transform(test_AV)
44train_BV = sc.fit_transform(train_BV)
45（他省略）
46
47#入力
48input_AV = Input(shape=(w_size,))
49input_BV = Input(shape=(w_size,))
50input_CV = Input(shape=(w_size,))
51input_DV = Input(shape=(w_size,))
52input_EV = Input(shape=(w_size,))
53input_FV = Input(shape=(w_size,))
54input_NV = Input(shape=(w_size,))
55
56#モデル構築
57#結合前まで
58AV = Dense(w_size, activation="relu")(input_AV)
59AV = Model(inputs=input_AV, outputs=AV)
60BV = Dense(w_size, activation="relu")(input_BV)
61BV = Model(inputs=input_BV, outputs=BV)
62CV = Dense(w_size, activation="relu")(input_CV)
63CV = Model(inputs=input_CV, outputs=CV)
64DV = Dense(w_size, activation="relu")(input_DV)
65DV = Model(inputs=input_DV, outputs=DV)
66EV = Dense(w_size, activation="relu")(input_EV)
67EV = Model(inputs=input_EV, outputs=EV)
68FV = Dense(w_size, activation="relu")(input_FV)
69FV = Model(inputs=input_FV, outputs=FV)
70NV = Dense(w_size, activation="relu")(input_NV)
71NV = Model(inputs=input_NV, outputs=NV)
72
73#結合
74combined = concatenate([AV.output, BV.output, CV.output, DV.output, EV.output, FV.output, NV.output], axis=-1)
75encoded = Dense(1600, activation="relu")(combined)
76encoded = Dense(800, activation="relu")(encoded)
77encoded = Dense(400, activation="relu")(encoded)
78decoded = Dense(200, activation="relu")(encoded)
79decoded = Dense(400, activation="relu")(decoded)
80decoded = Dense(800, activation="relu")(decoded)
81decoded = Dense(1600, activation="relu")(decoded)
82decoded = Dense(3500, activation="relu")(decoded)
83
84#出力
85output_AV = Dense(w_size, activation="relu")(decoded)
86output_BV = Dense(w_size, activation="relu")(decoded)
87output_CV = Dense(w_size, activation="relu")(decoded)
88output_DV = Dense(w_size, activation="relu")(decoded)
89output_EV = Dense(w_size, activation="relu")(decoded)
90output_FV = Dense(w_size, activation="relu")(decoded)
91output_NV = Dense(w_size, activation="relu")(decoded)
92
93model = Model(inputs=[input_AV, input_BV, input_CV, input_DV, input_EV, input_FV, input_NV],
94                   outputs=[output_AV, output_BV, output_CV, output_DV, output_EV, output_FV, output_NV])
95
96model.compile(optimizer="adadelta", loss="binary_crossentropy")
97
98history = model.fit([train_AV, train_BV, train_CV, train_DV, train_EV, train_FV, train_NV],
99                         [train_AV, train_BV, train_CV, train_DV, train_EV, train_FV, train_NV],
100                         epochs=1000,
101                         batch_size=None,
102                         verbose=1)