我尝试在Tensorflow 2.5.0中用一些序列图像数据集训练一个简单的LRCN模型。训练性能很好，前5个epoch的训练和验证精度都提高到了0.9倍，训练和验证损失在训练过程中不断下降。
然后，我尝试使用prefetch（）优化数据管道。我使用的数据集是标题和信息写入.csv文件的序列图像（.png）。所以我做了如下的数据生成器：

def setData(data):
X, y = [], []

name = data.loc['fileName'].values.tolist()[0]
info1 = data.loc['info1'].values.tolist()[0]
info2 = data.loc['info2'].values.tolist()[0]
info3 = data.loc['info3'].values.tolist()[0]

if os.path.isfile(filepath + name) == False:
    print('No file for img')
    return

try:
    img = np.load(filepath + fName)
except:
    print(name)  

if info1 in info_list:  
    X.append(img)

    if info2 == 'True':
        y.append(0)

    else:
        y.append(1)

X = np.array(X)
X = np.reshape(X, (3, 128, 128, 1)).astype(np.float64)
y = np_utils.to_categorical(y, num_classes = 2)
y = np.reshape(y, (2)).astype(np.float64)

return X, y

我添加了数据生成器加载函数，如下所示：

def generatedata(i):
    i = i.numpy()
    X_batch, y_batch = setData(pd.DataFrame(traindata.iloc[i]))

    return X_batch, y_batch

最后，我使用map预取数据集

z = list(range(len(traindata[])))
trainDataset = tf.data.Dataset.from_generator(lambda: z, tf.uint8)
trainDataset = trainDataset.map(lambda i: tf.py_function(func = generatedata,
                                                         inp = [i],
                                                         Tout = [tf.float32, tf.float32]),
                                                         num_parallel_calls = tf.data.AUTOTUNE)

在我应用了这些步骤之后，训练精度在第一个epoch中达到0.9倍，在前3-5个epoch中达到1.0倍，验证精度保持在0.6倍左右，验证损失在x. x上不断增长。
我相信预取只会改变数据管道，而不会影响模型性能，所以我不确定是什么导致了这种过拟合（可能？）样的结果。我遵循了Tensorflow文档中提到的预取步骤的每一步。尽管如此，由于我对Tensorflow不是很熟悉，可能会有一些错误。
有没有我漏掉的台词？任何意见都是非常好的。提前感谢。