张量流性能随数据集张量大小而下降

Question

使用数据集。from_tensor_slices似乎与张量大小成线性比例关系，即使这些张量被裁剪，因此网络也总是获得相同大小的数据补丁。

以这个简化的数据集为例：

ones = tf.ones((1, 1000, 1000))
zeros = tf.zeros((1, 1000, 1000))
return tf.data.Dataset.from_tensor_slices(
    (
        ones,
        tf.ones((1, 1))
    )
).concatenate(
    tf.data.Dataset.from_tensor_slices(
        (
            zeros,
            tf.zeros((1, 1))
        )
    )
).map(lambda x, y: (tf.image.random_crop(x, (20, 20)), y)).repeat().batch(10)

如果将ones和zeros张量的形状增加到（1，10000，1000）-训练速度将降低10倍，而（1，10000，10000 ）的工作速度会慢100倍...

知道为什么吗？