任务：构建 CNN 模型（最好是 Keras 或 TensorFlow）来预测与CelebA 数据集中每个图像相关的标签（多标签图像分类）
过去，对于大多数多类/二值图像分类问题，我曾经使用 Keras 有效地提供图像ImageDataGenerator，.flow_from_directory然后将图像正确组织在每个类的单独目录中。因此，在输入模型之前，我从来没有费心将图像转换为 numpy.arrary，除非我必须这样做，当然数据集很小，以便我可以在本地机器上轻松完成。
然而，CelebA 是一个多标签图像分类，每个图像有 40 个标签（属性，如微笑、眼镜、年轻等），这意味着我不能像以前那样将它们组织在子类中，所以.flow_from_directory不在桌面上（到目前为止我所知！）。我仍然设法通过以下简单循环将图像转换为 numpy.array：
import numpy as np
import skimage.transform
images_path='../img_align_celeba/'
train_images=[]
from skimage import data
for filename in train['Images'].tolist()):
tmp=np.array(skimage.transform.resize(io.imread(os.path.join(images_path,filename))/255., (64, 64)))
train_images.append(tmp)
x_train=np.array(train_images)
del train_images
好吧，这不是一项不可能完成的任务。CelebA 数据集很大，与许多其他图像数据集相比并不是很大（>200K RGB 图像，总共 1.4GB 大小，每张图像约 8 KB）。然而令人惊讶的是，将这些图像转换为 numpy 数组需要花费大量时间，甚至在运行一个小型 CNN 模型时会卡住。
我的电脑规格：MacBook Pro (2015)，内存：8GB，硬盘：128 GB。
即使有几乎超过 4GM 的可用内存和 20 GB 的可用硬盘，我也无法在本地计算机上管理它。
更新：通过Keras 中.flow_from_directory的方法似乎很有可能而且效率更高。ImageDataGenerator虽然手头的这个多标签分类不是那个选项，但我只是做了一些虚拟子类，它起作用了，模型运行得更快！
我的问题（终于！！）：
也许我没有有效地进行图像到 numpy 的转换？请建议我如何以更有效的方法构造数组！
更新：一年前我在 stackoverflow 中发现了一个非常相似的问题，但答案似乎没有提供更好的选择。
也许它就是这样，我只需要更好的硬件就可以在本地完成它！？
那么 Keras 如何在后台有效地进行转换呢？
最后（正如我们所说的那样），我只对 20% 的图像进行了采样，以便至少有一个模型原型启动并运行，尽管准确性并不令人印象深刻！