看起来你的问题核心是明明TensorFlow已经正确识别并启用了RTX 2080 GPU，但训练简单Dense模型时GPU和CPU负载始终偏低，想确认是否达到了GPU的性能上限对吧？咱们一步步拆解问题：

一、先确认基础状态：GPU确实在工作 #

从你提供的print(device_lib.list_local_devices())输出可以明确：

• TensorFlow成功识别了GeForce RTX 2080，并且创建了对应的GPU设备（/device:GPU:0），分配了约6GB显存
• 训练时模型确实会跑在GPU上，这点不用怀疑

二、为什么负载会低？核心原因是「任务太轻」 #

你的场景完全属于大GPU跑小任务，导致GPU的计算能力没被充分激活，具体体现在这几个方面：

1. 数据集规模太小：只有1万条数据、4个特征，GPU擅长并行处理海量数据，这点数据量一轮迭代瞬间就能完成，GPU还没来得及拉高负载就进入下一轮了
2. 模型计算量不足：你的模型虽然有多层Dense，但每层的神经元数量（88=64、168=128）太少，总参数规模很小，对于RTX 2080这种级别的GPU来说，计算压力几乎可以忽略
3. Batch Size太小：当前用的batch_size=64，GPU的并行计算单元需要足够多的数据才能填满，小batch会导致大部分计算单元处于闲置状态，数据传输的开销占比反而更高

三、如何验证是否达到GPU性能上限？ #

你可以通过以下操作来测试：

• 增大模型规模：把num_p从8改成64甚至128，或者增加更多的Dense层，让模型的计算量大幅提升，观察GPU负载是否上升
• 逐步提高Batch Size：尝试把batch_size调到256、512、1024（直到出现显存不足OOM报错为止），更大的batch能让GPU的并行计算单元充分工作，负载会明显拉高
• 实时监控GPU状态：
  • Linux/macOS可以在终端执行nvidia-smi命令（或者watch -n 1 nvidia-smi实时刷新），查看GPU使用率和显存占用率
  • Windows可以打开NVIDIA控制面板的「任务管理器-性能-GPU」页面监控
    如果显存没占满、使用率持续偏低，说明确实是任务太轻，还没到GPU的性能上限

四、额外的小优化建议 #

1. 充分利用tf.data管道：你已经写了tf.data的处理代码，但model.fit时还是用的原始数组，建议改成：

   his = model.fit(
       dataset,
       steps_per_epoch=len(X_train_scaled)//batch_size,
       epochs=10000,
       verbose=0,
       validation_split=0.2,
       callbacks=[es]
   )
   

   虽然小数据集下影响不大，但能更好地利用TensorFlow的数据预处理优化，也为以后处理大数据集打好基础
2. 忽略CPU指令提示：日志里的「AVX AVX2」提示是说TensorFlow编译时没用到CPU的高级指令，但你用GPU训练的话，这个对性能几乎没有影响，完全可以忽略

内容的提问来源于stack exchange，提问作者AutomaKen