问题可能是因为Google Colab默认使用的是云端GPU，而本地计算机使用的是本地CPU。因为GPU有更多的内存可用，所以即使填充RAM也不会出现问题。为了解决这个问题，您可以尝试以下几种方法：

1.通过将数据集分批加载和训练，减少每个epoch中使用的内存量。

2.在Google Colab中使用TPU，因为TPU具有更高的内存可用性。

下面是第一种方法的示例代码：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# Generate random data
x_train = np.random.random((1000, 100))
y_train = np.random.randint(2, size=(1000, 1))

# Define the model
model = Sequential()
model.add(Dense(64, input_dim=100, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# Train the model in batches
batch_size = 32
epochs = 10
for i in range(epochs):
    print('Epoch', i+1)
    for j in range(0, len(x_train), batch_size):
        x_batch = x_train[j:j+batch_size]
        y_batch = y_train[j:j+batch_size]
        model.train_on_batch(x_batch, y_batch)

在这个示例中，我们使用x_train和y_train生成了一个随机数据集，并定义了一个包含2个密集层的简单模型。然后，我们在分批次中循环遍历数据集，并使用train_on_batch()方法来训练每个批次。这样，在每个epoch中使用的内存量就会减少，从而避免了RAM填充的问题。