在那些看过这篇文章的人中，似乎没有人有最终的答案，所以我想给出适合我的答案。由于该领域缺乏文档，我的答案可能缺少一些相关细节。请随意添加更多信息，我在这里没有提到。

看起来，用Python编写继承序列的生成器类在Windows中是不受支持的。（您似乎可以让它在Linux上工作。）要使其工作，您需要设置参数use\u multiprocessing=True（使用类方法）。但它不能像前面提到的那样在Windows上工作，因此您必须将use\u multiprocessing设置为False（在Windows上）。然而，这并不意味着多处理在Windows上不起作用。即使您设置了use\u multiprocessing=False，当使用以下设置运行代码时，仍然可以支持多处理，您只需将workers参数设置为大于1的任何值。

例子：

history = \
   merged_model.fit_generator(generator=train_generator,
                              steps_per_epoch=trainset_steps_per_epoch,
                              epochs=300,
                              verbose=1,
                              use_multiprocessing=False,
                              workers=3,
                              max_queue_size=4)

现在，让我们再次记住Keras文档：

keras的使用。乌提尔斯。当使用use_multiprocessing=True时，Sequence保证顺序并保证每个历元的每个输入的单一使用。

据我所知，如果使用\u multiprocessing=False，则生成器不再是线程安全的，这使得编写继承序列的生成器类变得困难。

为了解决这个问题，我自己写了一个生成器，手动创建线程安全。下面是一个伪代码示例：

import tensorflow as tf
import threading

class threadsafe_iter:
    """Takes an iterator/generator and makes it thread-safe by
    serializing call to the `next` method of given iterator/generator.
    """
    def __init__(self, it):
        self.it = it
        self.lock = threading.Lock()

    def __iter__(self):
        return self

    def __next__(self): # Py3
        return next(self.it)

    #def next(self):     # Python2 only
    #    with self.lock:
    #        return self.it.next()

def threadsafe_generator(f):
    """A decorator that takes a generator function and makes it thread-safe.
    """
    def g(*a, **kw):
        return threadsafe_iter(f(*a, **kw))
    return g


@threadsafe_generator
def generate_data(tfrecord_file_path_list, ...):

    dataset = tf.data.TFRecordDataset(tfrecord_file_path_list)

    # example proto decode
    def _parse_function(example_proto):
      ...
      return batch_data

    # Parse the record into tensors.
    dataset = dataset.map(_parse_function)  

    dataset = dataset.shuffle(buffer_size=100000)

    # Repeat the input indefinitly
    dataset = dataset.repeat()  

    # Generate batches
    dataset = dataset.batch(batch_size)

    # Create an initializable iterator
    iterator = dataset.make_initializable_iterator()

    # Get batch data
    batch_data = iterator.get_next()

    iterator_init_op = iterator.make_initializer(dataset)

    with tf.Session() as sess:

        sess.run(iterator_init_op)

        while True:            
            try:
                batch_data = sess.run(batch_data)
            except tf.errors.OutOfRangeError:
                break
            yield batch_data

嗯，如果这样做真的很优雅，可以讨论一下，但是看起来效果很好。

总结如下：

• 如果在Windows上编写程序，请将use\u multiprocessing设置为False
• （据我所知，到今天为止）在Windows上编写代码时，不支持编写继承序列的生成器类。（我想这是一个Tensorflow/Keras问题）
• 要解决此问题，请编写一个普通生成器，使生成器线程安全，并将workers设置为大于1的数字

重要提示：在此设置中，生成器在CPU上运行，训练在GPU上进行。我可以观察到的一个问题是，如果你正在训练的模型足够浅，GPU的利用率仍然很低，而CPU利用率却很高。如果模型很浅，数据集足够小，那么将所有数据存储在内存中并在GPU上运行所有数据可能是一个不错的选择。它应该会大大加快训练。如果出于任何原因，您希望同时使用CPU和GPU，我的适度建议是尝试使用Tensorflow的tf.dataAPI，这可以显著加快数据预处理和批处理准备。如果生成器只用Python编写，GPU会一直等待数据继续训练。人们可以说Tensorflow/Keras留档的一切，但它确实是高效的代码！

如果有人对API有更全面的了解，并且看到了这篇文章，请随时在这里纠正我，以防我理解错误，或者API被更新以解决Windows上的问题。