Conv2D模型训练卡住问题求助[MNIST数据集]

最近我在做一个大型项目的子模块，目标是实现一个轻量的Conv2D模型，用来在MNIST手写数字数据集上训练神经网络。我整理出了一套标准化的工作流程，步骤如下：

• 加载MNIST数据集，将数据转换为numpy.array格式
• 把数据集划分成训练集和验证集，用来监控模型的泛化能力
• 对数据进行预处理操作：
  • 维度重塑：执行X_train.reshape(X.shape[0], 28, 28, 1)，将原本的一维像素数组转换成卷积层要求的(样本数, 高度, 宽度, 通道数)格式（MNIST是灰度图，通道数为1）
  • 标签独热编码：使用keras.utils.to_categorical(y_train, 10)把0-9的数字标签转换成10维的独热向量，适配分类任务的损失函数
• 导入或定义好预先设计的Conv2D模型结构
• 用预处理后的训练数据训练模型，训练完成后保存模型文件

目前我已经写出了train函数的初始框架，后续会补充完整的训练逻辑：

def train(model, X_train, y_train, X_val, y_val, epochs=10, batch_size=32):
    # 编译模型：指定优化器、损失函数和评估指标
    model.compile(optimizer='adam', 
                  loss='categorical_crossentropy', 
                  metrics=['accuracy'])
    
    # 启动训练，同时用验证集监控性能
    training_history = model.fit(X_train, y_train,
                                 batch_size=batch_size,
                                 epochs=epochs,
                                 validation_data=(X_val, y_val))
    
    # 保存训练好的模型
    model.save('mnist_conv2d_trained_model.h5')
    
    return training_history

内容的提问来源于stack exchange，提问作者Mornor