Tensorflow高效循环根历史池

在 CycleGAN paper 这里提到了鉴别器的历史池。因此,我们从发生器中保留最后的样本,例如50个样本,并将它们输入鉴别器。没有历史,这很简单,我们可以利用 tf.data.Dataset 和迭代器将数据插入网络。但是在历史池中,我不知道如何使用 应用程序编程接口。 训练循环中的代码类似于

fx, fy = sess.run(model_ops['fakes'], feed_dict={
    self.cur_x: cur_x,
    self.cur_y: cur_y,
})

cur_x, cur_y = sess.run([self.X_feed.feed(), self.Y_feed.feed()])
feeder_dict = {
    self.cur_x: cur_x,
    self.cur_y: cur_y,
    self.prev_fake_x: x_pool.query(fx, step),
    self.prev_fake_y: y_pool.query(fy, step),
}
# self.cur_x, self.cur_y, self.prev_fake_x, self.prev_fake_y are just placeholders
# x_pool and y_pool are simple wrappers for random sampling from the history pool and saving new images to the pool
for _ in range(dis_train):
    sess.run(model_ops['train']['dis'], feed_dict=feeder_dict)
for _ in range(gen_train):
    sess.run(model_ops['train']['gen'], feed_dict=feeder_dict)

让我烦恼的是代码效率低下,例如,在培训期间不可能像以前一样预加载下一批代码 tf.data API的预取,但我看不到任何使用 tf.data 同样,当鉴别器train op和生成器train op之间有一定的比率时,也会出现类似的问题。 tf.data

有没有办法正确有效地实施这一点?