Скорость обучения Keras на GPU ниже, чем на CPU

Question

Я только начал изучать глубокое обучение пару дней назад.Я пытаюсь обучить CNN, используя набор данных, состоящий из фотографий кошек и собак.

Но проблема в том, что тренировочный процесс занимает слишком много времени на процессоре, а также я вижу, что загрузка процессора не заметно увеличилась во время обучения.А также тренировочный процесс идет очень медленно.Я думал, что это из-за процессора, поэтому я продолжаю устанавливать CUDA и TensorFlow-gpu, Tensorflow-gpu, кажется, работает как графическая карта, отображаемая на консоли.

Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 4620 MB memory) -> physical GPU (device: 0, name: GeForce RTX 2060, pci bus id: 0000:1c:00.0, compute capability: 7.5)

, но скорость обучения кажетсяна GPU медленнее, чем на CPU.

А также при обучении модели она занимает всю память GPU, но использование GPU при обучении кажется очень низким.Ребята, можете проверить, что я делаю не так?и как мне ускорить процесс?

ОСОБЕННОСТИ СИСТЕМЫ:

Процессор: Ryzen 2700x

Графический процессор: ZOTAC RTX 2060

Оперативная память: DDR4 16 ГБ 3000 МГц

КОД, КОТОРЫЙ Я ИСПОЛЬЗУЮ:

import keras as keras
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

# Initialising the CNN
classifier = Sequential()

# Step 1 - Convolution
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

# Step 2 - Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Adding a second convolutional layer
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Step 3 - Flattening
classifier.add(Flatten())

# Step 4 - Full connection
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))

# Compiling the CNN
classifier.compile(optimizer = 'adadelta', loss = 'binary_crossentropy', metrics = ['accuracy'])

# Part 2 - Fitting the CNN to the images

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)

training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                 target_size = (64, 64),
                                                 batch_size = 32,
                                                 class_mode = 'binary')

test_set = test_datagen.flow_from_directory('dataset/test_set',
                                            target_size = (64, 64),
                                            batch_size = 32,
                                            class_mode = 'binary')

classifier.fit_generator(training_set,
                         steps_per_epoch = 8000,
                         epochs = 35,
                         validation_data = test_set,
                         validation_steps = 20)

print("================== Saving Model ==========================")
classifier.save('./model.h5')
print("=================  Model Saved  ==========================")

СКОРОСТЬ:

  20/8000 [..............................] - ETA: 10:47 - loss: 0.0269 - acc: 0.9906