為了訓練神經網絡，我修改了在 YouTube 上找到的一段代碼。它看起來如下：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現在，我嘗試使用此代碼訓練神經網絡，訓練樣本大小為 105.000（圖像文件包含 37 種可能性中的 8 個字符、AZ、0-9 和空格）。我使用了相對較小的批次大?。?2，我認為這已經太小了）來提高效率，但是訓練第一個時期的四分之一卻花了很長時間（我每個時期有 826 步，花了 90 分鐘199 步... steps_per_epoch = num_train_samples // batch_size）。數據生成器中包含以下功能：def shuffle_data(data):  data=random.shuffle(data)  return data我不認為我們可以使這個函數更有效或將它從生成器中排除。def preprocessing(img, new_height, new_width):  img = cv2.resize(img,(new_height, new_width))  img = img/255  return img為了預處理/調整數據大小，我使用此代碼將圖像設置為唯一大小，例如 (224, 224, 3)。我認為，生成器的這一部分花費的時間最多，但我看不到將其從生成器中排除的可能性（因為如果我們在批次之外調整圖像的大小，我的內存將滿）。#One Hot Encoding of the Labelsfrom numpy import argmax# define input string我認為，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組 y_train，這樣生成器就不必每次都對標簽進行熱編碼。你怎么看？還是我應該采用完全不同的方法？