我帮你梳理下从输出和环境配置里能找到的线索，以及几个可以排查的方向：

你的Windows端日志到2018-03-22 21:55:26....就没下文了，大概率是程序卡住、崩溃或者显存溢出了，给你几个排查点：

• 优先换稳定版TensorFlow：tf-nightly-gpu是每日构建的版本，兼容性和稳定性都没保障，和CUDA9.0、CuDNN7.0的适配很可能出问题。建议换成和Linux端相近的稳定版（比如tf-gpu 1.8.x，官方适配CUDA9.0）再测试。
• 监控显存使用：打开任务管理器的「性能」标签（或者用nvidia-smi命令），实时看GTX1080的显存占用。如果训练开始后显存直接拉满到8GiB，那就是显存溢出导致程序卡住/崩溃了，需要减小模型规模或者batch size。
• 检查数据维度异常：输出里有个奇怪的点——创建训练数据时显示X shape: (600, 99)，但后面又变成Shape X_train (3049, 99)，样本数突然翻了5倍多！这大概率是你数据处理代码里的逻辑错误，导致重复生成了训练样本，进而让模型训练时的计算量暴增，直接撑爆内存/显存。

你的Linux笔记本用的是Quadro K1000M，这款是入门级专业绘图卡，计算性能远低于GTX1080，显存也只有2GiB左右，再加上环境配置可能有问题，导致速度慢：

• 确认TensorFlow是否在使用GPU：跑代码时留意有没有识别到Quadro K1000M的日志，如果没有，说明TensorFlow没调用GPU，完全在CPU上跑，速度自然慢。可以在代码开头加一段检测代码：

import tensorflow as tf
print("GPU是否可用: ", tf.test.is_gpu_available())
print("当前GPU设备: ", tf.test.gpu_device_name())

• 检查CUDA/CuDNN的环境配置：Linux下CUDA的路径配置很容易出错，比如LD_LIBRARY_PATH有没有正确包含CUDA的lib64目录和CuDNN的lib目录，确保TensorFlow能找到对应的底层库。
• 减小batch size：Quadro K1000M显存太小，如果和Windows端用一样大的batch size，可能会触发TensorFlow自动切换到CPU训练，或者频繁进行显存交换，建议把batch size调小（比如从原来的64改成16）试试。

如果你怀疑是Adam的问题，可以做几个对比验证：

• 换优化器测试：暂时把Adam换成SGD或者RMSprop，用相同的模型和数据跑一遍。如果换了优化器后Windows端不再中断、Linux端速度正常，那就是Adam的版本兼容或者参数配置有问题。
• 检查Adam参数：确认你的Adam优化器参数（学习率、beta1/beta2、epsilon）有没有设置异常，比如学习率过大可能导致训练不稳定，甚至程序崩溃。可以先试试官方默认参数：Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08)。
• 对比版本差异：tf-nightly和tf-gpu 1.7.0rc0的Adam实现可能有差异，比如是否开启了XLA加速、底层运算逻辑的改动，这也可能导致兼容性问题，换成相同版本的TensorFlow后再对比测试。

内容的提问来源于stack exchange，提问作者Grant Williams