Python 在只有CPU的tensorflow上运行DDQN，我的笔记本电脑比AMD 3900快50倍

我正在我的笔记本电脑上运行一个示例程序（来自的DDQN）

我的笔记本电脑大约每0.04秒就可以执行一个步骤（联想P51运行Ubuntu 18.04，32gb内存，ssd）。我在我的工作站上尝试了同样的程序（AMD 3900x，64GB内存，运行Windows 10，GNU Python 3.8），每一步需要2-3秒。这两个版本都设置为使用Tensorflow 2.3.1，没有GPU（我在代码中添加了额外的行以确保这一点）。我也在我的Mac电脑（自制Python 3.8）上尝试了这一点，并在我的工作站上得到了类似的结果。Mac是2014年的Macbook Pro，所以我预计它的速度会很慢，但我对台式机的结果感到惊讶

我还尝试在工作站上的Linux（Lubuntu 20.04）上运行相同的代码，得到了相同的结果（每个步骤大约2-3秒）。这让我觉得我可能有硬件问题，但我在工作站上运行了许多基准测试，没有发现任何问题

我真的很想知道如何解决这个问题，因为看起来可能是硬件问题，但也许我的联想笔记本电脑上的某些配置“正确”，而其他两个平台上没有设置

我在所有平台上的安装基本上都是为了确保安装了python 3.8，然后安装了pip tensorflow、keras和gym。据我所知，没有其他的调整

---

更新：我发现笔记本电脑环境仍然指向安装了旧tensorflow（1.14）的旧python（3.6）。所以现在我的问题是，为什么2.3.1在这段代码上如此之慢，而1.1.4却如此之快？我会在谷歌上搜索更多，但建议是值得赞赏的。

这可能是由于很多事情发生了变化-在我的脑海中，最有可能是

num_workers

-这是工作人员的数量，并且应该随着线程数量的增加而增加，默认值为1-将其更改为8或16，然后查看性能是否有所提高

---

然而，这可能是由于BLAS的不同实现——Tensorflow使用的Intel MKL加速在AMD上运行得慢得多（很可能是Intel的市场细分），这很难说。

这可能是由于大量事情的改变——我不知道，最有可能是

num_workers

-这是worker的数量，应该随着线程数量的增加而增加，默认值为1-将其更改为8或16，然后查看性能是否会提高

---

然而，这可能是由于BLAS的不同实现——Tensorflow使用Intel MKL加速，在AMD上运行得慢得多（很可能是Intel的市场细分），这很难说。

在3900上，我使用的是gnu python和pip安装的Tensorflow（和numpy），默认情况下应该使用OpenBLAS（因此没有涉及到MKL问题）。我不知道如何判断。在3900上，我使用的是gnu python和pip安装的tensorflow（和numpy），默认情况下，它应该使用OpenBLAS（因此没有涉及到MKL问题）。我不确定如何判断。