如何让TensorFlow 100%使用GPU？

我有一台配备 RTX 2060 GPU 的笔记本电脑，我使用 Keras 和 TF 2 在其上训练 LSTM。我还通过以下方式监控 GPU 使用情况nvidia-smi我注意到 jupyter 笔记本和 TF 的使用率最多为 35%，而 GPU 通常使用率在 10-25% 之间。

以目前的条件，训练这个模型花了7个多小时，我想知道是我做错了什么还是Keras和TF的限制？

我的 nvidia-smi 输出：

Sun Nov  3 00:07:37 2019       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 430.26       Driver Version: 430.26       CUDA Version: 10.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce RTX 2060    Off  | 00000000:01:00.0  On |                  N/A |
| N/A   51C    P3    22W /  N/A |    834MiB /  5931MiB |     24%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      1032      G   /usr/lib/xorg/Xorg                           330MiB |
|    0      1251      G   /usr/bin/gnome-shell                         333MiB |
|    0      1758      G   ...equest-channel-token=622209288718607755   121MiB |
|    0      5086      G   ...uest-channel-token=12207632792533837012    47MiB |
+-----------------------------------------------------------------------------+

My LSTM:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import LSTM
from tensorflow.keras.layers import Dropout

regressor = Sequential()

regressor.add(LSTM(units = 180, return_sequences = True, input_shape = (X_train.shape[1], 3)))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 180))
regressor.add(Dropout(0.2))

regressor.add(Dense(units = 1))

regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')

regressor.fit(X_train, y_train, epochs = 10, batch_size = 32, callbacks=[cp_callback])

假设后者已正确安装，TensorFlow 会自动通过 CUDA 和 cuDNN 优化 GPU 资源分配。您看到的使用统计信息主要是内存/计算资源“活动”的统计信息，不一定是实用程序（执行）；看这个答案。您的效用“仅”25% 是一件好事 - 否则，如果您大幅增加模型大小（按原样来说并不大），您就会 OOM。

要增加使用量，请增加批量大小、模型大小或任何会增加并行性计算；请注意，使模型更深会增加 GPU 的内存利用率，但其计算利用率却要低得多。

另外，考虑使用CuDNNLSTM代替LSTM，可以运行速度提高 10 倍并使用lessGPU 内存（由算法技术提供），但计算效用更高。最后，插入Conv1D作为第一层strides > 1将通过减少输入大小来显着提高火车速度，而不一定会损害性能（事实上它可以提高性能）。

Update：对 GPU 进行超频是一种选择，但我建议不要这样做，因为从长远来看它会磨损 GPU（并且所有 DL 都是“长期运行”）。还有“过电压”和其他硬件调整，但所有这些都应该用于一些短期应用。最大的不同是你的输入数据管道.