我正在 4x RTX 3090 上运行一个用 TensorFlow 1.x 编写的模型，与1x RTX 3090 相比，启动训练需要很长时间。尽管随着训练开始，它在 4x 中比在 1x 中更早完成. 我在两个 GPU 中都使用 CUDA 11.1 和 TensorFlow 1.14。
其次，当我使用带有 CUDA 10.2 和 TensorFlow 1.14 的 1x RTX 2080ti 时，与带有 11.1 CUDA 和 Tensorflow 1.14 的 1x RTX 3090 相比，开始训练所需的时间更少。暂定，开始训练其中一个数据集需要1x RTX 2080ti 5 分钟、1x RTX 3090 30-35 分钟和 4x RTX 3090 1.5 小时。
如果有人能帮助我解决这个问题，我将不胜感激。
我在 2080ti 和 3090 机器上使用 Ubuntu 16.04、Core™ i9-10980XE CPU 和 32 GB 内存。
编辑：根据 …
在这里输入图像描述！pythonencode_images.py --optimizer=lbfgs --face_mask=True --iterations=6 --use_lpips_loss=0 --use_discriminator_loss=0 --output_video=Truealigned_images/ generated_images/ Latent_representations/
print("\n************ 潜在代码优化完成！****************")
2021-08-24 13:33:11.033451：我tensorflow/stream_executor/platform/default/dso_loader.cc:48]成功打开动态库cudart64_101.dll
回溯（最近一次调用最后一次）：文件“encode_images.py”，第 12 行，导入 dnnlib.tflib as tflib 文件“C:\Users\bkvij\Office Rapid Innovation\StyleGAN Face Morphing - Arxiv Insights\stylegan-encoder\dnnlib \tflib_ init _.py”，第 8 行，在
从 。导入自动摘要文件“C:\Users\bkvij\Office Rapid Innovation\StyleGAN Face Morphing - Arxiv Insights\stylegan-encoder\dnnlib\tflib\autosummary.py”，第 31 行，位于
从 。导入 tfutil 文件“C:\Users\bkvij\Office Rapid Innovation\StyleGAN Face Morphing - Arxiv Insights\stylegan-encoder\dnnlib\tflib\tfutil.py”，第 34 行，位于
def shape_to_list(shape: Iterable[tf.Dimension]) -> List[Union[int, None]]: AttributeError: 模块“tensorflow”没有属性“Dimension”
