如果初始训练发生在后台线程中，训练性能会下降

Question

我有一个数据流，我正在训练几个Keras模型。传入的数据被分类为不同的类别。如果聚合了一个类别的足够数据，我将构建一个模型，对其进行一些初始培训，将其保存到数据结构中以供以后使用，并对流中输入的模型类别数据进行分类。在第二个线程中，我正在检查出现的条件，以便根据新数据重新训练模型，并在必要时重新训练该线程

到目前为止，这个工作还可以

为了不因等待初始训练完成而阻塞传入数据流的处理，我还将初始训练移动到第二个线程中

现在的问题是：一旦我将初始训练移到第二个线程，训练性能（model.fit函数）就会变得很糟糕。它只使用一个内核，尽管它在移动到另一个线程之前使用了所有内核。如果我再把它移回去，一切都会好起来的。到目前为止，我无法对这种行为做出解释，也无法找到解决办法

有人给我一个提示吗

我试着使用tf.Graph和tf.Session对象，但没用

编辑： 当第二个线程开始对模型进行初始训练时，我就在第一个线程的代码中加入睡眠（5）。然后训练速度再次提高到可以承受的水平。似乎第一个线程的操作阻碍了第二个线程的操作。实际上，在我的测试场景中，传入流以最大速度出现，因此使用了整个内核。看起来这可能是由于pythons有限的线程能力造成的？我想知道为什么在第二个线程中再培训时这没有问题

编辑：看起来我在这里遇到了Python的GIL限制。我会想办法绕过它