在Google colab上进行培训时，我注意到获得前几千张图像的速度非常快，但是经过此培训后速度会变慢。我对培训的其他部分进行了计时，以查看它们是否是导致问题的原因，但是即使培训速度变慢，它们的时间也保持一致。我相信这是因为图像没有存储在google colab的内存中，它必须不断从google驱动器中提取图像，速度较慢。我还注意到，在重新运行训练时，该方法非常快速地处理了以前处理过的图像，但是当到达先前方法未处理过的图像时，速度变慢了。
在使用numpy数组加载数据之前，我已经接受了colab的培训：
train_val_images = np.load("/content/drive/My Drive/Colab Notebooks/datasets/train_data.npy")
当我这样做时，我注意到笔记本中使用的内存正以我正在加载的numpy数组的大小精确增加。
在我的新项目中，我试图使用数据加载器和torchvision数据集，而不是像这样的numpy数组：
train_dataset = torchvision.datasets.ImageFolder(root="/content/drive/My Drive/Colab Notebooks/datasets/labeled_data/train", transform = transforms.ToTensor())
trainloader = torch.utils.data.DataLoader(train_dataset)
当我以这种方式加载数据时，我注意到正在使用的内存并没有真正增加。我正在以这种方式从我的Google驱动器加载大约20,000张图片。
我想知道是否有一种方法可以像将np.load（）与torchvision.datasets.ImageFolder一样将数据加载到Google colab ram中，或者是否还有其他替代方法仍可以使用ImageFolder界面。