Keras训练性能在GPU上比CPU慢

Question

我刚刚开始学习深度学习。 我正在尝试使用由猫和狗图片组成的数据集来训练CNN。

但问题是训练过程在CPU上花费的时间太长，而且我可以看到我的CPU利用率在训练期间没有明显增加。 此外，培训过程非常缓慢。 我认为这是因为CPU，所以我继续安装CUDA和TensorFlow-gpu，Tensorflow-gpu似乎可以作为显示在控制台上的显卡工作。

Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 4620 MB memory) -> physical GPU (device: 0, name: GeForce RTX 2060, pci bus id: 0000:1c:00.0, compute capability: 7.5)

但是GPU上的训练速度似乎比在CPU上慢。

而且在训练模型时，它采用了所有GPU内存，但在训练时GPU利用率似乎非常低。 请你们检查一下我做错了什么？ 我怎样才能加快速度呢？

系统规格：

CPU：Ryzen 2700x

GPU：ZOTAC RTX 2060

RAM：DDR4 16GB 3000 MHZ

我使用的代码：

import keras as keras
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

# Initialising the CNN
classifier = Sequential()

# Step 1 - Convolution
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

# Step 2 - Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Adding a second convolutional layer
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Step 3 - Flattening
classifier.add(Flatten())

# Step 4 - Full connection
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))

# Compiling the CNN
classifier.compile(optimizer = 'adadelta', loss = 'binary_crossentropy', metrics = ['accuracy'])

# Part 2 - Fitting the CNN to the images

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)

training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                 target_size = (64, 64),
                                                 batch_size = 32,
                                                 class_mode = 'binary')

test_set = test_datagen.flow_from_directory('dataset/test_set',
                                            target_size = (64, 64),
                                            batch_size = 32,
                                            class_mode = 'binary')

classifier.fit_generator(training_set,
                         steps_per_epoch = 8000,
                         epochs = 35,
                         validation_data = test_set,
                         validation_steps = 20)

print("================== Saving Model ==========================")
classifier.save('./model.h5')
print("=================  Model Saved  ==========================")

速度：

  20/8000 [..............................] - ETA: 10:47 - loss: 0.0269 - acc: 0.9906