结合你给出的硬件配置、TensorFlow版本和测试数据，我认为主要有以下几个关键原因：

1. TF_MIN_GPU_MULTIPROCESSOR_COUNT=4 参数的限制是核心问题 #

你设置的这个环境变量强制TensorFlow只使用4个GPU多处理器（SM），但两块GPU的SM数量差异极大：

• GeForce GTX 1080 Ti（Pascal架构）拥有38个SM单元，强制限制用4个的话，仅能利用约10%的硬件算力，这直接导致nvidia-smi显示的GPU-Util只有10%，大部分硬件资源处于闲置状态。
• Quadro K1200（Maxwell架构）仅拥有8个SM单元，4个SM刚好占了其总算力的50%，所以GPU-Util能达到23%，实际利用的硬件比例远高于1080Ti，自然速度更快。

这个参数原本是为了在低配置GPU上避免资源过载设置的，但对于高算力GPU来说，会严重限制性能发挥。

2. 批量大小不足，无法充分利用1080Ti的并行算力 #

你的批量大小设置为30，对于拥有11GB显存的1080Ti来说太小了。大显存的优势在于可以容纳更大的批量，从而利用GPU的并行计算能力提升速度。而K1200显存只有4GB，30的批量已经接近其显存上限，能充分利用它的有限资源，而1080Ti的大显存优势完全没发挥出来。

3. 旧版TensorFlow与硬件的兼容性问题 #

你使用的是tf-nightly-gpu 1.6.0-dev20180112，这是一个2018年的旧开发版本，当时针对Pascal架构（1080Ti）的CuDNN优化还不够成熟，反而对更早的Maxwell架构（K1200）的适配更稳定。加上CUDA9.0和CuDNN7在旧TF版本中的兼容性可能存在bug，进一步放大了性能差异。

解决建议 #

• 立即移除TF_MIN_GPU_MULTIPROCESSOR_COUNT=4环境变量，让TensorFlow自动利用GPU的全部SM单元，这应该能大幅提升1080Ti的利用率和速度。
• 增大批量大小：尝试将批量大小提升到64、128甚至更高（只要显存允许），充分利用1080Ti的大显存优势，提升并行计算效率。
• 升级TensorFlow版本：更换为稳定版的TensorFlow（比如1.15.x或更高版本，确保与CUDA9.0/CuDNN7兼容），新版本对Pascal架构的优化更完善，能更好地发挥1080Ti的性能。

内容的提问来源于stack exchange，提问作者Maosi Chen