为什么运行TensorFlow官方MNIST入门教程时模型训练耗时极长？

• 环境配置与依赖差异：这是导致性能差距的最主要原因。IDLE默认绑定系统全局Python环境，你大概率在全局环境中安装的是仅支持CPU运算的TensorFlow版本，也没有正确配置CUDA、cuDNN等GPU加速依赖，训练时完全调用CPU运算，没有用到RTX3070的GPU算力，速度自然极慢。而PyCharm运行时使用的是你单独创建的项目虚拟环境，其中安装的是适配NVIDIA GPU的TensorFlow版本，从PyCharm的运行日志也能看到，运行时成功识别到了RTX3070 Laptop GPU，自动调用GPU完成矩阵运算等性能密集型操作，耗时自然大幅缩短。
• 输出缓冲机制差异：IDLE的标准输出缓冲规则和PyCharm不同，就算代码在运行，训练进度日志也会被缓冲区暂存不会实时打印，进一步给你造成了"卡了数小时无进度"的错觉。
• 运行模式开销差异：IDLE是交互式解释器，逐行执行代码时会携带额外的交互调度开销，针对TensorFlow这类需要提前构建计算图的框架，这部分额外开销会被进一步放大。而PyCharm是直接以脚本模式整段运行代码，没有交互环节的额外开销，运行效率本身就更高。

你可以在IDLE中执行以下命令验证环境是否支持GPU加速：

print(tf.config.list_physical_devices('GPU'))

如果输出结果中没有GPU相关设备，即可确认是IDLE绑定的环境未配置GPU加速。

内容的提问来源于stack exchange，提问作者maun kyaw