GoogleColabでautokeras使用時にディスクの上限に達してしまう

Question

前提・実現したいこと

GoogleColabでautokeras使用時にディスクの上限に達してのエラー終了を回避したいです。

現在、GoogleDriveの200GBプランを使用しマウントして、autokerasの学習履歴の保存場所をドライブ内にしColab内の使用容量を減らして使用しています。

GoogleColab上のディスク容量を消費せずにautokerasで学習を行える方法があれば教えていただきたいです。

発生している問題・エラーメッセージ

OSError: [Errno 28] No space left on device

該当のソースコード

%%monitor_cell "subJ"
import shutil
import autokeras as ak
import keras as ks
from keras.utils import np_utils
from sklearn.datasets import fetch_openml
import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
from PIL import Image
import glob
import os
from keras.preprocessing.image import load_img, img_to_array
import sys
import pickle
import requests
from tqdm import tqdm
from io import StringIO
# 画像用
from keras.preprocessing.image import array_to_img, img_to_array, load_img
#自作モジュール
from module import sep_dataset, line_send, pre_treatment, model_evaluation, set_datarange


#教師データが入っているフォルダのパス
train_folder_path = '/content/drive/MyDrive/実験データ/subJ'
#モデルの最大試行回数
max_model = 30

#モデル構築（Auto-kerasのモデル設定）
def make_model():
  input_node = ak.ImageInput()
  output_node = ak.ImageBlock(normalize=False, augment=False, )(input_node)
  output_node = ak.ClassificationHead()(output_node)
  model = ak.AutoModel(inputs=input_node, outputs=output_node, overwrite=True, max_trials=max_model, directory=train_folder_path,)
  return model

#テスト・トレーニングデータに分離、検証データの入れ替え及び全パターンの組み合わせの作成
t1, v1 = sep_dataset.main(train_folder_path, 0)
t2, v2 = sep_dataset.main(train_folder_path, 1)
t3, v3 = sep_dataset.main(train_folder_path, 2)
train = []
val = []
for i in range(len(t1)):
  train.append([t1[i]]+[t2[i]]+[t3[i]])
  val.append([v1[i]]+[v2[i]]+[v3[i]])

#前回学習中断箇所の取得(r=中断箇所のセルのrow、　c=中断箇所のセルのcolumn、　v=検証データの数字、　　p=何個目の分割パターンかの数字)
r, c, v, p = set_datarange.main(train_folder_path)

#全パターンを回す
for count in range(p, len(val)):
  for i in range(v,3):
    #データの前処理
    X_train, Y_train = pre_treatment.main(train[count][i], len(train[count][i]))
    X_test, Y_test = pre_treatment.main(val[count][i], len(val[count][i]))

    #CNNモデルの構築(max_trials：モデルの試行回数)
    model = make_model()

    #モデルの訓練（学習）
    model.fit(X_train, Y_train, validation_data=(X_test, Y_test))

    #学習性能の推移
    his = model.export_model()
    
    #ネットワークモデルの可視化（画像の保存）
    save_path = os.path.join(train_folder_path.rsplit(os.sep,1)[0], 'result_info' ,  'model.png')
    #plot_model(model, show_shapes=True, show_layer_names=False, to_file=save_path)

    #学習済みモデルの保存
    #model.save('/content/drive/My Drive/実験データ/subM/subM_CNN_model.h5')

    #モデル精度評価
    model_evaluation.main(X_test, Y_test, model, val, train_folder_path, count, i)

    #特徴マップ（畳み込み層）出力
    #plot_conv_outputs1(model, X_test[0], train_folder_path, val)
  v = 0