Tensorflow jupyter笔记本电脑内部tf的性能与命令行

我注意到，在jupyter笔记本中运行tensorflow代码与在命令行中作为脚本运行tensorflow代码相比，在性能（速度）上有很大的差异

例如，下面是运行MNIST CNN教程的结果（）

设置：

AWS实例，具有32个Xeon CPU、62GB内存、4个K520 GPU（4GB内存）

Linux:3.13.0-79 Ubuntu

Tensorflow:0.10.0rc0（从支持GPU的源代码构建）

Python:3.5.2 | Anaconda定制（64位）|

CUDA库：libcublas.so.7.5、libcudnn.so.5、libcuft.so.7.5、libcuda.so.1、libcurand.so.7.5

培训步骤：2000年

Jupyter笔记本执行时间：

这不包括导入和加载数据集的时间，只包括培训阶段

CPU时间：用户8分钟58s，系统：0纳秒，总计：8分钟58s
墙时间：8分钟20秒

命令行执行：

这是执行完整脚本的时间

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

GPU在这两种情况下都在使用，但利用率更高（命令行在培训阶段通常为35%，笔记本版本为2-3%）。我甚至尝试手动将其放置在不同的GPU上，但这对笔记本的执行时间没有太大影响

---

关于为什么会这样，有什么想法/建议吗？

我看到了相反的情况。笔记本电脑中的GPU利用率优于命令行

我一直在使用DQN进行乒乓球训练，使用命令行的帧速下降到17fps，而使用笔记本电脑的帧速下降到100fps

我看到了nvidia smi统计数据，它显示了命令行方法中294MB的使用情况，Jupiter笔记本方法中984MB的使用情况

---

不知道原因，但在colab中也有类似的观察结果

我猜这更像是jupyter/Notebook和命令行性能之间的问题。我在谷歌上快速搜索了一下，但没有找到太多。你是否需要使用笔记本，还是仅仅是一件舒适的事情？我发现一个ssh终端和一个带有ftp插件的基本文本编辑器（用来来回复制文档）在我使用过的大多数用例中都能像笔记本一样工作。tensorflow从jupyter看到你的GPU了吗？在创建会话时是否可以使用log\u device\u placement，如sess=tf.session（config=tf.ConfigProto（allow\u soft\u placement=True，log\u device\u placement=True））是的。它正在看到gpu。我使用了log_device_placement，日志与命令行中的日志相似。