jupyter笔记本与命令行之间tf的性能

Question

我注意到在jupyter笔记本中运行tensorflow代码与从命令行作为脚本运行tensorflow代码时有相当大的性能(速度)差异。

例如，下面是运行MNIST教程(feed.py)的结果

设置：

包含32 Xeon-CPUS、62 4GB内存、4 K520 GPUS (4GB mem)的AWS实例

Linux: 3.13.0-79 Ubuntu

Tensorflow: 0.10.0rc0 (由GPU支持的源代码构建)

Python: 3.5.2区Anaconda自定义(64位)

库达图书馆: libcublas.so.7.5，libcudnn.so.5，libcufft.so.7.5，libcuda.so.1，libcurand.so.7.5

培训步骤:2000年

木星笔记本执行时间：

这不包括导入和加载数据集的时间--只是培训阶段。

CPU times: user 8min 58s, sys: 0 ns, total: 8min 58s Wall time: 8min 20s

命令行执行：

现在是执行完整脚本的时候了。

real 0m18.803s user 0m11.326s sys 0m13.200s

GPU在这两种情况下都被使用，但使用率更高(在训练阶段，命令行的使用率通常为35%，笔记本版本的使用率为2-3% )。我甚至尝试手动将它放在不同的GPU上，但这对笔记本的执行时间并没有太大的影响。

对于为什么会这样，有什么想法或建议吗？

Answer 1

我看到的是相反的情况。GPU在笔记本中的使用优于命令行。

我一直在用DQN训练乒乓球，使用命令行的帧速度下降到17 DQN，而使用笔记本则下降到100 DQN。

我看到了nvidia-smi统计数据，它显示了命令行方法中294 smi的使用情况，以及木星笔记本方法中984 smi的使用情况。

不知道原因，但colab的类似观察也