Numpy 如何处理keras中非常缓慢的训练？

故事 我有一个ECG信号记录的数据集（162名患者，65635个样本），我得到了这些记录的连续小波变换，因此结果是成形的（162名患者，65635个样本，80个系数），非常大，可以放入内存（40 MB）因此，我将这些实例保存为.npz矩阵，并在训练中使用keras生成器，我使用LSTM、卷积layer和CPU，训练非常缓慢

问题

处理这个问题的最佳策略是什么

如何减小cwt产生的系数矩阵的大小

---

与其将整个数据集加载到内存中，不如使用诸如？另外，请注意，使用CPU训练深度神经网络需要大量时间。如果你想优先考虑速度，可以使用云平台，比如AWS，它利用GPU的计算能力。我使用一个定制的keras生成器将数据作为补丁加载，结果证明长序列（65635 LSTM）是导致速度减慢的主要原因