Python 为什么我的神经网络训练这么慢？

我有两个前馈神经网络（用python中的keras构建）执行类似的任务，但训练时间完全不同，我无法找出原因

我有一个神经网络，输入和输出形状： 输入形状：（100000,21）输出形状：（100000,9）， 第一个轴是训练样本数，第二个轴分别是输入层和输出层中的节点数。 然后我有另一个神经网络，获取上述输入的子集，并产生上述输出的子集，如下所示： 输入形状：（100000,13）输出形状：（100000,1） 除此之外，设置完全相同。然而，第一个网络的训练速度要快得多，这是什么原因造成的

这些设置是： 具有5个隐藏层（128个节点）的回归问题，带有relu激活函数、adam优化器、输出层的线性激活。我想历次的次数也不一样，但就我而言，这不会影响每个历次的训练时间。批大小为64，glorot正常初始化

以下是keras分别为每个网络提供的一些训练输出，请注意，输入和输出节点较少的网络速度明显较慢：

input shape: (100000, 21) output shape: (100000, 9),
Train on 90000 samples, validate on 10000 samples
Epoch 1/500
90000/90000 [==============================] - 3s 31us/step - loss: 0.3145 - val_loss: 0.1749
Epoch 2/500
90000/90000 [==============================] - 2s 23us/step - loss: 0.1426 - val_loss: 0.1298
Epoch 3/500
90000/90000 [==============================] - 2s 23us/step - loss: 0.1161 - val_loss: 0.0999
Epoch 4/500
90000/90000 [==============================] - 2s 

在第二种情况下，每个历元的训练时间不会减少到24秒以上，尽管我预计它会更快，因为任何形式的随机梯度下降都需要更少的梯度计算，输入更少

以下是第一个神经网络的代码：

# initiate:
model = Sequential()

# add hidden layers
model.add(Dense(nodes, input_dim = n, activation='relu', kernel_initializer = 'glorot_normal'))
for i in range(layers):
    model.add(Dense(nodes, activation = 'relu', kernel_initializer = 'glorot_normal'))

# add output
model.add(Dense(out, activation = 'linear', kernel_initializer = 'glorot_normal')) 

# compile the keras model
model.compile(loss='mean_squared_error', optimizer='adam')

# fit the keras model on the dataset
print('input shape:',np.shape(X_norm), 'output shape:', np.shape(L_norm))
history = model.fit(X_norm, L_norm, epochs=epochs, batch_size=batch_size, validation_split = (1/10) 
                   , callbacks = [earlystop]) 

除了model.fit中的输入数量外，第二个网络完全相同：

# fit the keras model on the dataset
    history = model.fit(inputdt, outputdt, epochs=epochs, batch_size=batch_size, validation_split = (1/10) 
                       , verbose = 1, callbacks = [earlystop]) 

---

其中inputdt和outputdt分别是X_范数和L_范数的切片。

请发布一些代码，可以帮助您创建网络。我添加了构建网络的线路，希望这两个帮助层都是相同的？它是如何定义的？如果在第二次调用中不使用

verbose=1

，会发生什么情况？layers=4在这两种情况下，我只是尝试了一下，不幸的是，更改verbose并没有带来什么不同

# fit the keras model on the dataset
    history = model.fit(inputdt, outputdt, epochs=epochs, batch_size=batch_size, validation_split = (1/10) 
                       , verbose = 1, callbacks = [earlystop])