机器学习数据量很大选择什么存储方式比较好/快？

之前炼丹的时候就发现一个问题，用 Pytorch 的 DataLoader 第一次遍历数据集的速度会大大的慢于后面的 epoch 。这在数据量比较小（ 100k ~ 700k 张图片 + 另一张同尺寸的数据）的时候还可以勉强接受，第一个 epoch 可能花个 40 ~ 50 分钟，后面就是神速 5 ~ 10 分钟左右。然而当数据量增加到 300M 张图片的时候直接就爆炸了(□)，第一个 epoch 可能要花 20 个小时！。。然而我在集群上的节点一次介么也就只能用 24 小时，这回是真的麻了。。。

想了很多办法无果，想问问炼丹的 V 友是有没有遇见过这个问题的？目前我用的存储方式是 .h5df 文件 + h5py 库，每 1000 张图片分进一个 group 进行储存，因为每张图片因为尺寸大小不一样（后续才进行 crop 处理），所以每张单独就存储为 group 中的一个 dataset ，这里我也就没法尝试 chunk size 在速度提升方面有没有帮助了。想了有两个方案目前还没有尝试，不知道会不会有提升：1 ）改用 lmdb 库。2) 直接存成 .npy 文件用 np.load 读取。看了一些论文的源码很多都是直接用 PIL 暴力读图片，然而我的输出是一个与输入同尺寸的数组，所以就没办法用这个办法了。

根本原因也是完全不清楚为什么 DataLoader 会出现这样的情况。。。为啥就第一次读取速度慢这么多。搞了半天也没找到瓶颈和问题出现在哪里，目前就只想到从数据的存储方式下手。