在 Titan RTX 上的深度学习模型还没有 CPU 和 1650 快

两分钟真的看的出啥来吗，是不是 GPU 没启用

@ztyMCR 肯定启用了噻 几个电脑上都是一份代码

看看运行时的负载呢

@csunny 就 50 多瓦

GPU 调用是异步的，可能是计时不准的原因。建议加入取回 CPU 的操作，保证 GPU 上任务计算完毕

如果显存几乎占满了，50w 的负载，原因可能是模型设计的问题。如果没满，可以尝试提高 batch_size

@minami 感谢 我回去试试

模型设计问题有可能是没有及时 backward，导致大量的计算图被暂时存储起来没有 backward，也就不能及时释放

@Porphet 24G 显存用了 1G 吧

@WeiJoseph 提高 batch_size, 这么少的显存占用肯定跑不满 rtx， 简直是浪费这块大显存显卡黑盒

@Porphet 感谢 晚上我提升一下 batch size

如 5 楼所示，可能 GPU 并行数据量太少了，大部分时间都在 cpu_gpu 交互或者 cpu 串行时间过长。
你的服务器 cpu 可能主频较低，服务器 cpu 一般都不超过 2.5GHz 。服务器 cpu 主频一般随着核心数的增多，主频会稍微下降，大部分在 2.2GHz 以下。

为了凸现 gpu 的优势，缩小 cpu 差距，你可能需要增大在 GPU 并行的数据量。不知道和楼上说的 batch size 是否同一个意思。

代码发出来看看

很可能是读取数据和加载模型的时间占了总耗时的大部分
高主频+SSD 的个人电脑在读数据和加载模型上相对于服务器有巨大优势

@minami
@Porphet
@different
@Escapist367
今晚拉大 batch_size 虽然占用的显存还是只有 1G 但是终于运算速度终于大幅度超过 cpu 了 看来是我之前 batch_size 设置的太小了
不过 batch_size 拉大以后训练效果就下降了 综合下来还是感觉这个小模型和小数据集根本不需要服务器来跑
感谢大家

@WeiJoseph 加 batchsize 的同时一般要同比例地提高 learning rate，加 batchsize 一般是不会有负面作用的。不过 mnist 是用不着服务器（