為了訓(xùn)練神經(jīng)網(wǎng)絡(luò)，我修改了在 YouTube 上找到的一段代碼。它看起來(lái)如下：def data_generator(samples, batch_size, shuffle_data = True, resize=224):  num_samples = len(samples)  while True:    random.shuffle(samples)    for offset in range(0, num_samples, batch_size):      batch_samples = samples[offset: offset + batch_size]      X_train = []      y_train = []      for batch_sample in batch_samples:        img_name = batch_sample[0]        label = batch_sample[1]        img = cv2.imread(os.path.join(root_dir, img_name))        #img, label = preprocessing(img, label, new_height=224, new_width=224, num_classes=37)        img = preprocessing(img, new_height=224, new_width=224)        label = my_onehot_encoded(label)        X_train.append(img)        y_train.append(label)      X_train = np.array(X_train)      y_train = np.array(y_train)      yield X_train, y_train現(xiàn)在，我嘗試使用此代碼訓(xùn)練神經(jīng)網(wǎng)絡(luò)，訓(xùn)練樣本大小為 105.000（圖像文件包含 37 種可能性中的 8 個(gè)字符、AZ、0-9 和空格）。我使用了相對(duì)較小的批次大?。?2，我認(rèn)為這已經(jīng)太小了）來(lái)提高效率，但是訓(xùn)練第一個(gè)時(shí)期的四分之一卻花了很長(zhǎng)時(shí)間（我每個(gè)時(shí)期有 826 步，花了 90 分鐘199 步... steps_per_epoch = num_train_samples // batch_size）。數(shù)據(jù)生成器中包含以下功能：def shuffle_data(data):  data=random.shuffle(data)  return data我不認(rèn)為我們可以使這個(gè)函數(shù)更有效或?qū)⑺鼜纳善髦信懦?。def preprocessing(img, new_height, new_width):  img = cv2.resize(img,(new_height, new_width))  img = img/255  return img為了預(yù)處理/調(diào)整數(shù)據(jù)大小，我使用此代碼將圖像設(shè)置為唯一大小，例如 (224, 224, 3)。我認(rèn)為，生成器的這一部分花費(fèi)的時(shí)間最多，但我看不到將其從生成器中排除的可能性（因?yàn)槿绻覀冊(cè)谂沃庹{(diào)整圖像的大小，我的內(nèi)存將滿）。#One Hot Encoding of the Labelsfrom numpy import argmax# define input string我認(rèn)為，在這一部分中，可能有一種方法可以提高效率。我正在考慮從生成器中排除此代碼并在生成器外部生成數(shù)組 y_train，這樣生成器就不必每次都對(duì)標(biāo)簽進(jìn)行熱編碼。你怎么看？還是我應(yīng)該采用完全不同的方法？