Использование предварительной выборки tf.data.Dataset приводит к превышению производительности модели?

Я пытаюсь обучить простую модель LRCN с некоторым последовательным набором данных изображений в Tensorflow 2.5.0. Производительность обучения была хорошей, например, увеличение точности обучения и проверки до 0,9x как в первые 5 эпох, так и потери при обучении и проверке продолжали уменьшаться во время обучения.

Затем я попытался оптимизировать конвейер данных с помощью prefetch(). Набор данных, который я использую, представляет собой последовательные изображения (.png), заголовки и информация которых записываются в файл .csv. Итак, я сделал генератор данных, как показано ниже:

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

И я добавил функцию загрузки генератора данных следующим образом:

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

    return X_batch, y_batch

Наконец, я предварительно загрузил набор данных, используя карту

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)

После того, как я применил эти шаги, точность обучения увеличилась на 0,9x в первую эпоху, на 1,0 в первые 3-5 эпох, а точность проверки осталась на уровне около 0,6x, а потери при проверке продолжали расти более xx.

Я считаю, что предварительная выборка изменяет только конвейер данных, который не влияет на производительность модели, поэтому я не уверен, что вызвало эти результаты, подобные переоснащению (возможно?). Я следовал каждому шагу предварительной выборки, обозначенному в документации Tensorflow. Хотя, поскольку я не очень хорошо знаком с тензорным потоком, могут быть некоторые ошибки.

Есть ли какая-то строка, которую я пропустил? Любое мнение было бы действительно здорово. Заранее спасибо.