我是基于 GPU 的训练和深度学习模型的新手。我在我的 2 个 Nvidia GTX 1080 GPU 上的 tensorflow 中运行 cDCGAN（条件 DCGAN）。我的数据集包含大约 32,000 张大小为 64*64 的图像和 2350 个类别标签。我的批量大小非常小，即 10，因为我面临 OOM 错误（分配具有形状 [32,64,64,2351] 的张量时的 OOM）和大批量大小。
训练非常缓慢，我理解这取决于批量大小（如果我错了，请纠正我）。如果我这样做help -n 1 nvidia-smi，我会得到以下输出。
主要GPU:0使用，因为 Volatile GPU-Util 给我大约 0%-65%，而GPU:1最大总是 0%-3%。性能GPU:0总是在 P2 中，而GPU:1主要是 P8 或有时是 P2。我有以下问题。
1) 为什么 GPU:1 的使用量没有超过当前状态，为什么它大部分是 P8 Perf 虽然没有使用？
2）这种糟糕的训练过程是否仅会降低我的批量大小，或者可能有其他一些原因？
3）如何提高性能？4）如何避免更大批量的OOM错误？
编辑1：
型号详情如下
发电机：
我有 4 层（完全连接，UpSampling2d-conv2d，UpSampling2d-conv2d，conv2d）。
W1 的形状为 [X+Y, 16*16*128] 即 (2450, 32768), w2 [3, 3, 128, 64], w3 [3, 3, 64, 32], w4 [[3, 3, 32, 1]] 分别
鉴别器
它有五层（conv2d、conv2d、conv2d、conv2d、全连接）。
w1 [5, 5, X+Y, 64] 即 (5, 5, 2351, 64), w2 [3, 3, 64, 64], w3 [3, 3, 64, 128], w4 [2, 2 , 128, 256], [16*16*256, 1] 分别。