Keras model.fit_generator останавливается / зависает в первую эпоху

Question

Я настраиваю простую реализацию u-net с файлами Gipl, преобразованными в PIL-изображения.К сожалению, после добавления DataGenerator для более эффективного распределения производительности графического процессора сеть перестает работать после инициализации первой эпохи без дальнейшего вывода.

Сеть генерирует изображения для первой эпохи, когда я отключаю use_multiprocessing намодель, но скоро заканчивается память.После повторного включения этой опции изображения не генерируются и выходные данные тоже не генерируются.По крайней мере, подготовка изображений должна начаться.

Модель unet:

model = Model(inputs=[inputs], outputs=[outputs])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=[mean_iou])
model.summary()

params_train = {'dim': (512,512,1),
          'batch_size': 16,
          'n_classes': 2,
          'n_channels': 1,
          'shuffle': True}

X, Xv, Y, Yv = getSubsets(X_train_path, Y_train_path)

training_generator = DataGenerator(X, Y, **params_train)
validation_generator = validation_generator = DataGenerator(Xv, Yv, **params_train)  

earlystopper = EarlyStopping(patience=5, verbose=1)
checkpointer = ModelCheckpoint('model-2019-1.h5', verbose=1, save_best_only=True)# path of model
print('last output, no output of datagenerator')

model_checkpoint = ModelCheckpoint('unet_fmr.hdf5', monitor='loss',verbose=1, save_best_only=True)

results = model.fit_generator(generator=training_generator,
                    validation_data=validation_generator,
                    verbose=1,
                    use_multiprocessing = True,
                    epochs=30,
                    callbacks=[model_checkpoint])

РЕДАКТИРОВАННАЯ И Генератор данных:

class DataGenerator(keras.utils.Sequence):
    def __init__(self, list_IDs, labels, batch_size, dim, n_channels=1,
             n_classes=2, shuffle=True):
        #...initialize variables
        self.on_epoch_end()

    def __getitem__(self, index):
        'Generate one batch of data'
        indexes = self.indexes[index*self.batch_size:(index+1)*self.batch_size]

        X, Y = self.__data_generation(indexes)
        return X, Y

    def __len__(self):
        return int(np.floor(len(self.list_IDs) / self.batch_size))

    def on_epoch_end(self):        
        self.indexes = np.arange(len(self.list_IDs))
        if self.shuffle == True:
            np.random.shuffle(self.indexes)

    def getImage(self, path):
        x_train_array = getGiplAsArray(path)
        x_train_i = getResizedGiplImageByArray(x_train_array)
        return x_train_i

    def make3D(self, img):
        img = np.reshape(img, (img.shape[0], img.shape[1], 1))
        return img

    def __data_generation(self, indexes):
        print('__data_generation()')
        list_IDs_temp = [self.list_IDs[k] for k in indexes]
        list_labels_temp = [self.labels[k] for k in indexes]

        X = np.empty((self.batch_size, *self.dim))
        Y = np.empty((self.batch_size, *self.dim))

        for i, ID in enumerate(list_IDs_temp):
            temp = self.getImage(ID)
            X[i,] = self.make3D(temp)

        for i, ID in enumerate(list_labels_temp):
            temp = self.getImage(ID)
            Y[i,] = self.make3D(temp)
        return X, Y

Заданный вывод, заканчивающийся часами ожидания:

Total params: 1,940,817
Trainable params: 1,940,817
Non-trainable params: 0
initialization of DataGen
on_epoch_end()
Epoch 1/30