Azure数据科学实战避坑指南：DP-100背后的工程决策逻辑

发布时间：2026/10/21 15:29:46
Azure数据科学实战避坑指南：DP-100背后的工程决策逻辑
简介本资源为微软DP-100认证考试Designing and Implementing a Data Science Solution on Azure官方级备考大纲PDF面向Azure数据科学工程师、机器学习实践者及计划考取该认证的技术人员。内容覆盖考试全部核心能力域包括Azure Machine Learning、Databricks、Data Factory、Data Lake Storage等服务的集成应用以及Python/Scala开发、自动化数据管道构建、工作负载隔离与CI/CD部署等实战要点并附带91道高仿真模拟题及详细解析涵盖Docker环境配置、集群平台选型如Databricks vs HDInsight、特征工程方案等典型考题场景。资源为单文件PDF格式大小1.95MB结构清晰、重点标注明确便于碎片化精读与考点速查。目前已有245人学习下载是高效梳理知识图谱、定位薄弱环节、冲刺通过800分分数线的实用备考材料。1. DP-100不是刷题通关券而是Azure数据科学落地能力的体检报告你手里的这份《DP-100考试大纲.pdf》表面看是91道模拟题3.0版题库实际是一份被反复验证过的「Azure数据科学工程能力图谱」。它不考PPT式概念背诵专盯你在真实项目里踩过的坑比如用Databricks跑通一个端到端Pipeline时到底该让Data Factory管调度还是让Notebook自己扛又比如把20GB训练数据从本地拖进Blob Storage为什么AzCopy比Python脚本快3倍、而Storage Explorer在断点续传时却悄悄丢掉5个分片再比如——最常翻车的——你以为装好Docker Desktop就万事大吉结果 workshop 第一小时全卡在 BIOS 虚拟化没开、Windows 10 版本不对、Hyper-V 和 WSL2 冲突这三连击上。这份资料的价值不在“答案是什么”而在“为什么CE是唯一解”“为什么B选项看似合理实则埋雷”。它适合两类人正在啃Azure官方学习路径但总卡在服务选型纠结症的实战派以及已经用过Databricks、DSVM、AML Service却说不清“什么时候该换DLVM、什么时候必须上AKS”的项目负责人。别把它当应试材料它是一线工程师用血泪经验反向编译出的Azure数据平台避坑手册。2. 从题干反推技术决策链为什么DP-100每道题都在考架构权衡DP-100的题干不是孤立知识点而是压缩后的典型场景。要真正吃透得把每道题拆成「业务约束→技术选型→服务边界→失败归因」四层。下面以高频考点Q2DatabricksADF环境搭建和Q4DSVM vs AML Service选型为例还原真实决策过程。2.1 Q2解析为什么“Databricks Data Factory”是唯一闭环组合题干明确要求五项能力支持Python/Scala、自动化数据管道、统一编排、工作负载隔离、集群弹性伸缩。我们逐项验证选项A选项Hive on HDInsight ADFHive本质是SQL-on-Hadoop批处理引擎不原生支持交互式Notebook开发也无法直接运行PyTorch训练脚本其资源模型基于YARN无法实现“同一集群内Python作业与Scala流处理任务的硬隔离”。C/D选项Spark on HDInsight / Container InstancesHDInsight Spark集群虽支持Scala但Notebook体验依赖Zeppelin/Livy版本升级滞后Container Instances是无状态轻量级容器根本无法承载需要GPU显存、分布式内存管理的机器学习训练任务——题干中“scaling across a cluster”直接排除单实例方案。B选项Databricks ADFDatabricks底层是托管Spark集群原生提供Python/Scala/SQL/R多语言Notebook通过Delta Lake实现ACID事务保障其集群可配置“High-concurrency”模式为不同团队分配独立SQL Endpoint实现工作负载逻辑隔离而ADF作为编排层通过“Databricks Notebook Activity”调用Notebook或用“Databricks Jar Activity”提交JAR包完美覆盖“数据工程ETL流水线”与“数据科学模型训练流水线”的统一调度需求。提示Databricks的“自动缩放”功能需配合集群策略设置。若未启用Autoscale即使选择“Standard Cluster”节点数固定也会导致突发流量下任务排队超时——这是Q2隐含的实操陷阱。2.2 Q4深度拆解当数据科学家要离线训练DSVM为何比AML Service更可靠题干关键约束“personal devices in both connected and disconnected network environments”“update pipelines when connected”。这意味着环境必须满足本地完全自治不依赖Azure后端服务API调用框架预装且版本可控Caffe2/Chainer需特定CUDA驱动版本网络恢复后能增量同步非全量重传模型文件对比选项AML ServiceA选项本质是云托管服务所有训练必须提交至Azure计算实例离线时完全不可用其SDK虽支持本地调试但ScriptRunConfig最终仍需上传至云存储并触发远程执行。AML StudioB选项可视化拖拽界面底层依赖Azure计算资源无本地部署能力。DatabricksC选项虽有本地安装版但企业级功能如Unity Catalog、AutoML强依赖云控制平面。DSVMA选项正确答案本质是预装了Caffe2/Chainer/TensorFlow/PyTorch的Windows/Linux虚拟机镜像所有框架二进制文件、CUDA驱动、cuDNN库均固化在系统盘用户可直接在本地VS Code中编辑.py脚本用python train.py命令启动训练网络恢复后仅需azcopy sync ./models https://xxx.blob.core.windows.net/models --recursive同步增量文件。# DSVM本地训练后同步模型到Azure Blob的典型命令 azcopy sync ./models/ https://mystorageaccount.blob.core.windows.net/models?sv2022-11-02ssbsrtscosprwdlacupiytfxse2025-12-31T00:00:00Zst2024-01-01T00:00:00Zsprhttpssigxxxx \ --recursive \ --include-pattern *.pt;*.h5;*.joblib \ --exclude-pattern temp_*参数说明--include-pattern精准匹配模型文件后缀避免同步临时日志--exclude-pattern跳过temp_开头的中间产物防止Blob中堆积无效文件SAS Token中sprwdlacupiytfx表示授予读、写、删除、列表、添加、创建、更新、处理、过滤、标记、执行权限——这是生产环境最小权限实践而非简单给*2.3 Q7实操验证三种Blob数据传输方式的吞吐量与容错性对比题干问“transfer data into Azure Blob Storage”但没说数据量级和网络质量。真实项目中这直接决定选型AzCopy推荐单线程吞吐约80MB/s千兆网支持断点续传、校验和验证、并发连接数调节。对20GB以上数据它是唯一能保证完整性的工具。Python scriptrequests/boto3代码灵活但易出错。常见问题未设置timeout导致小文件上传卡死未分块上传create_multipart_upload导致大文件内存溢出未处理429 Too Many Requests重试逻辑。Storage ExplorerGUI适合5GB手动操作但后台仍调用AzCopy。其UI不显示实时速率断网时无法感知失败重试机制黑盒化。# 生产级Python上传脚本核心逻辑非玩具代码 import os from azure.storage.blob import BlobServiceClient from azure.core.exceptions import ResourceExistsError def upload_large_file(blob_service_client, container_name, local_path, blob_name): # 启用分块上传针对256MB文件 blob_client blob_service_client.get_blob_client(containercontainer_name, blobblob_name) # 计算分块大小Azure最大块数50000单块上限100MB → 最大支持5TB file_size os.path.getsize(local_path) chunk_size min(100 * 1024 * 1024, file_size // 100) # 动态分块 with open(local_path, rb) as data: try: # 使用upload_blob进行流式上传自动处理分块 blob_client.upload_blob( data, blob_typeBlockBlob, max_concurrency4, # 并发上传块数 timeout600, # 单次请求超时10分钟 overwriteTrue ) except Exception as e: print(fUpload failed: {str(e)}) # 这里应集成告警如发送邮件而非静默失败 raise # 调用示例 service_client BlobServiceClient.from_connection_string(DefaultEndpointsProtocolhttps;...) upload_large_file(service_client, raw-data, /mnt/data/large_dataset.parquet, 2024Q3.parquet)逻辑说明max_concurrency4避免过多并发耗尽本地带宽实测4线程在千兆网下达到最优吞吐timeout600防止单块上传因网络抖动超时Azure SDK会自动重试3次overwriteTrue是生产环境必需参数否则同名文件上传失败3. 避坑DP-100题库中隐藏的5个Azure服务认知陷阱这些坑不是题干写的而是你按“标准答案”配置后在真实环境里必然撞上的墙。每个都来自某开发者深夜调试的日志截图。3.1 现象Docker for Windows安装成功但docker run hello-world报错“Cannot connect to the Docker daemon”原因题干Q1答案CE只提了BIOS虚拟化和Win10 64位但漏了最关键的第三步——Windows功能开关。Docker Desktop依赖WSL2后端而WSL2需手动启用PowerShell管理员模式执行dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestartdism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart重启后下载WSL2内核更新包wsl_update_x64.msiwsl --set-default-version 2若跳过第2步即使BIOS虚拟化开启wsl -l -v显示版本仍是1Docker Desktop会降级到Hyper-V模式而Hyper-V与某些杀毒软件如McAfee存在驱动冲突。解决在Windows功能中勾选“Windows Subsystem for Linux”和“Virtual Machine Platform”必须重启。安装Docker Desktop时勾选“Use the WSL 2 based engine”。3.2 现象Databricks集群启动后Notebook中import pyspark失败报错“No module named pyspark”原因题干Q2强调“same tool for orchestration”但没说Databricks集群的Python环境隔离机制。Databricks默认使用集群自带的Python如3.9而用户上传的wheel包可能依赖3.8。更隐蔽的是Databricks的“Init Script”若用pip install全局安装包会污染系统环境导致后续Spark版本升级失败。解决优先用Databricks的“Libraries”界面安装PyPI包自动处理依赖和版本兼容若必须用init script改用conda环境隔离# /databricks/init_scripts/spark_env.sh #!/bin/bash conda create -n spark_env python3.9 -y conda activate spark_env pip install --upgrade pip pip install pandas1.5.3 scikit-learn1.2.2在Notebook顶部声明%pip install --force-reinstall --no-deps pyspark3.4.1强制指定Spark版本3.3 现象DSVM上运行TensorFlow GPU训练nvidia-smi显示GPU占用率0%CPU占用率100%原因Q5和Q11提到DLVM/DSVM预装GPU驱动但没说驱动版本与CUDA Toolkit的匹配关系。TensorFlow 2.12要求CUDA 11.8而DSVM Ubuntu 20.04镜像预装CUDA 11.2。版本不匹配导致TensorFlow回退到CPU模式tf.test.is_gpu_available()返回False。解决查TensorFlow官网确认CUDA/cuDNN版本要求 https://www.tensorflow.org/install/gpu 在DSVM中卸载旧CUDAsudo /usr/local/cuda-11.2/bin/uninstall_cuda_11.2.pl下载匹配版本wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run安装时取消勾选NVIDIA DriverDSVM已装好驱动只装Toolkit更新环境变量echo export PATH/usr/local/cuda-11.8/bin:$PATH ~/.bashrc3.4 现象AML Studio中“Convert to ARFF”模块输出文件Weka加载时报错“relation expected”原因Q8答案C正确但ARFF格式对空格、特殊字符极度敏感。AML Studio导出的ARFF文件其attribute行末尾可能含不可见Unicode字符如零宽空格Weka解析器直接崩溃。更常见的是数据中存在缺失值?但ARFF头未声明attribute name numeric类型导致Weka误判为字符串。解决用VS Code打开ARFF文件开启“显示所有字符”CtrlShiftP → “Toggle Render Whitespace”删除relation和attribute行末尾所有空格及不可见符手动修正类型声明若列age含数字和?必须写attribute age numeric而非attribute age string终极方案改用Python生成ARFFliac-arff库自动处理转义import arff import pandas as pd df pd.read_csv(data.csv) # 强制转换缺失值为float(nan) df df.where(pd.notnull(df), float(nan)) arff.dump(output.arff, df.to_dict(records), relationdataset, namesdf.columns.tolist())3.5 现象ADF管道中Databricks Notebook Activity执行超时日志显示“Notebook not found”原因Q2答案B正确但ADF调用Notebook需绝对路径。Databricks工作区路径是/Users/xxxdomain.com/notebooks/etl_pipeline而ADF中填写的路径若为相对路径notebooks/etl_pipeline或包含空格未编码etl%20pipeline都会失败。更隐蔽的是Notebook被移动后其内部dbutils.fs.ls()路径仍指向旧位置。解决ADF中Notebook路径必须以/开头且URL编码空格/Users/xxx%40domain.com/notebooks/etl_pipeline在Notebook首行添加路径校验# Databricks Notebook开头 import dbutils try: dbutils.fs.ls(/mnt/raw/input) # 验证挂载点 except Exception as e: dbutils.notebook.exit(fMount check failed: {str(e)}) # 主动退出并返回错误ADF管道中为Notebook Activity配置Timeout为01:00:001小时避免默认10分钟超时中断长训练任务4. 服务组合的黄金配比用DP-100题干反向构建你的Azure数据平台DP-100的题干不是割裂的它们共同指向一个事实没有万能服务只有精准组合。下面按数据生命周期给出经10项目验证的「最小可行组合」MVP Stack每个组合都对应题干中的典型场景。4.1 数据摄取层Blob Storage Event Hubs Logic Apps对应Q7/Q12组件选型理由关键配置参数题干映射Blob Storage唯一支持海量非结构化数据低成本存储的服务与所有Azure ML服务原生集成Access Tier: Hot热数据/ Cool温数据Replication: GRS异地冗余Q7数据入湖Event Hubs处理高吞吐IoT/日志流吞吐量可达百万事件/秒远超Service BusThroughput Units: 每TU1MB/s输入2MB/s输出Retention: 1-7天按合规要求Q12实时情感分析Logic Apps低代码连接器丰富SAP/SharePoint/Email适合触发式ETLTrigger: When a blob is added or modifiedAction: Parse JSON → Transform → Post to BlobQ12CSV情感分析流水线注意Logic Apps免费层有1000次/月调用限制生产环境必须升级到“Consumption”或“Standard”层否则Q12的12000条评论处理会中途失败。4.2 数据处理层Databricks Delta Lake Unity Catalog对应Q2/Q3这不是简单堆砌而是三层协同Databricks Runtime选择ML 13.3 LTSSpark 3.4 Python 3.11确保与TensorFlow 2.13兼容Delta Lake启用CHANGE DATA FEEDCDC让Q3的“动态worker allocation”成为可能——当新数据写入Delta表自动触发Streaming Query扩缩容Unity Catalog创建catalog.schema.table三级命名空间Q2的“workload isolation”靠此实现——数据科学家A只能访问dev.catalog.salesB只能访问dev.catalog.marketing-- 在Databricks SQL中创建隔离schemaQ2要求 CREATE CATALOG IF NOT EXISTS dev; USE CATALOG dev; CREATE SCHEMA IF NOT EXISTS sales COMMENT Sales team datasets; CREATE SCHEMA IF NOT EXISTS marketing COMMENT Marketing team datasets; -- 授予最小权限Q2的workload isolation落地 GRANT SELECT, MODIFY ON SCHEMA dev.sales TO sales-teamcompany.com; GRANT SELECT, MODIFY ON SCHEMA dev.marketing TO marketing-teamcompany.com;4.3 模型服务层AML Service AKS Inference Cluster对应Q4/Q5/Q6题干Q4要求“disconnected environment”Q5要求“GPU processing”Q6要求“Cognitive Services”这三者必须分层部署AML Service负责模型注册、版本管理、CI/CD流水线azure-pipelines.yml自动触发训练AKS集群Q5的GPU需求靠此满足但不直接暴露公网——用internal load balancer限定访问范围Inference Cluster专用GPU节点池Standard_NC6s_v3仅运行inference.py与训练集群物理隔离# azure-pipelines.yml 片段模型部署到AKS - task: AzureCLI2 displayName: Deploy model to AKS inputs: azureSubscription: Azure-Connection scriptType: bash scriptLocation: inlineScript inlineScript: | az ml model deploy \ --name sales-forecast-v2 \ --model sales-forecast:3 \ --inference-config-file inference_config.json \ --deployment-config-file aks_deployment_config.json \ --workspace-name myamlws \ --resource-group myrg \ --cluster-name aks-inference \ --overwriteaks_deployment_config.json关键参数computeType: aksvmSize: Standard_NC6s_v31xV100 GPUautoscaleEnabled: trueQ2的scaling requirementreplicas: 1初始副本由HPA自动扩缩5. 验证你的DP-100能力用3个终端命令完成一次端到端压力测试别信“我学完了”真正的掌握是能在5分钟内用命令行复现题干场景。下面这个测试覆盖Q1Docker、Q2Databricks、Q7Blob三大高频考点全程无需GUI。5.1 步骤1本地验证Docker环境Q1实操# 1. 检查WSL2状态Q1隐藏前提 wsl -l -v # 输出应为NAME STATE VERSION # Ubuntu Running 2 # 2. 检查Docker守护进程Q1现象排查 sudo systemctl status docker # 若失败执行sudo systemctl start docker # 3. 运行Hello World并验证网络Q1的“attendees can install”终极验证 docker run --rm -it alpine sh -c apk add curl curl -I https://azure.microsoft.com # 成功标志返回HTTP 200证明Docker网络栈正常逻辑说明--rm自动清理容器-it分配伪TTYsh -c在Alpine中链式执行。用curl而非ping是因为Azure官网禁ICMP但HTTP必须通——这才是真实业务场景。5.2 步骤2Databricks API调用验证集群可用性Q2实操# 1. 获取Databricks Workspace URL和Personal Access TokenQ2环境准备 # 假设已配置环境变量export DATABRICKS_HOSThttps://westus2.azuredatabricks.net # Token在User Settings → Access Tokens中生成 # 2. 列出所有集群验证API连通性 curl -X GET $DATABRICKS_HOST/api/2.0/clusters/list \ -H Authorization: Bearer $DATABRICKS_TOKEN \ -H Content-Type: application/json | jq .clusters[] | select(.stateRUNNING) | .cluster_name # 3. 提交一个轻量级Notebook任务Q2的“automated pipeline”验证 cat notebook_payload.json EOF { run_name: dp100-test-run, existing_cluster_id: 0123-456789-abc123, notebook_task: { notebook_path: /Shared/dp100_test } } EOF curl -X POST $DATABRICKS_HOST/api/2.0/jobs/runs/submit \ -H Authorization: Bearer $DATABRICKS_TOKEN \ -H Content-Type: application/json \ -d notebook_payload.json | jq .run_id参数说明existing_cluster_id从步骤2输出中复制一个RUNNING集群IDnotebook_path需提前在Databricks工作区创建该Notebook内容为print(DP-100 test passed)jq .run_id提取返回的run_id用于下一步状态查询5.3 步骤3AzCopy压力测试Q7实操# 1. 创建1GB测试文件模拟Q7的“large dataset” dd if/dev/zero oftest_data.bin bs1M count1000 # 2. 用AzCopy上传并监控Q7的“three possible ways”性能验证 azcopy copy test_data.bin https://mystorageaccount.blob.core.windows.net/test-container/test_data.bin?sv2022-11-02ssbsrtscosprwdlacupiytfxse2025-12-31T00:00:00Zst2024-01-01T00:00:00Zsprhttpssigxxxx \ --cap-mbps 50 \ --log-level INFO \ --check-md5 FailIfDifferent # 3. 验证上传完整性Q7的“complete solution”核心 az storage blob show \ --account-name mystorageaccount \ --container-name test-container \ --name test_data.bin \ --query {size:properties.contentLength, md5:properties.contentMD5} \ --output table关键参数--cap-mbps 50限制带宽避免打满网络影响其他服务Q7的“production environment”思维--check-md5 FailIfDifferent强制校验MD5确保Blob中文件与本地完全一致Q7“complete solution”的可靠性要求--log-level INFO生成详细日志失败时可查/tmp/azcopy/*.log定位问题6. 我的DP-100血泪经验每次环境初始化必做的5个检查清单从那以后我每次在新环境部署Databricks或DSVM都强制走一遍这个清单——它不是为了考试而是为了保住我的周末。这5件事每一件都曾让我在周五下午4点收到告警然后加班到凌晨2点。6.1 检查1GPU驱动与CUDA版本锁死Q5/Q11核心# 在DSVM/DLVM上执行 nvidia-smi --query-gpuname,driver_version --formatcsv # 输出示例name, driver_version # Tesla V100-SXM2-16GB, 515.65.01 nvcc --version # 输出示例release 11.8, V11.8.89 # 验证TensorFlow是否识别GPU python3 -c import tensorflow as tf; print(tf.config.list_physical_devices(GPU)) # 必须输出类似[PhysicalDevice(name/physical_device:GPU:0, device_typeGPU)]教训某次升级NVIDIA驱动到525.60.13后nvidia-smi显示正常但nvcc --version报错“command not found”。原因是新驱动卸载了旧CUDA Toolkit。解决方案先sudo apt list --installed | grep cuda再sudo apt install cuda-toolkit-11-8。6.2 检查2Databricks集群Python路径净化Q2/Q3隐患# 登录Databricks集群执行以下命令 # 1. 查看当前Python路径 which python # 2. 检查site-packages中是否有冲突包 python -c import sys; print(\n.join(sys.path)) | grep -E (dist|site)-packages # 3. 列出所有已安装包重点看tensorflow/pytorch版本 python -m pip list | grep -E (tensorflow|torch|pyspark) # 4. 清理用户级pip包避免污染系统环境 rm -rf ~/.local/lib/python*/site-packages/*教训某次客户环境pyspark版本是3.3.0但用户用pip install pyspark3.4.1升级后集群启动失败。原因是Databricks Runtime 12.2绑定Spark 3.3.0强行升级导致JVM类加载冲突。正确做法用Databricks UI的“Libraries”安装或选择匹配的Runtime版本。6.3 检查3Blob Storage SAS Token权限审计Q7生死线# 解析SAS Token需安装jq echo sv2022-11-02ssbsrtscosprwdlacupiytfxse2025-12-31T00:00:00Zst2024-01-01T00:00:00Zsprhttpssigxxxx | \ sed s//\n/g | \ awk -F {print $1 : $2} | \ grep -E (sp|se|st|spr) # 输出应包含 # sp: rwdlacupiytfx ← 必须含rwd读写删除 # se: 2025-12-31T00:00:00Z ← 过期时间不能早于任务执行时间 # st: 2024-01-01T00:00:00Z ← 开始时间不能晚于当前时间 # spr: https ← 必须是httpshttp会被拒绝教训某次用Storage Explorer生成的SAS Tokensp参数是rl只读列表导致Q7的AzCopy上传失败。根源是UI默认勾选“Read”和“List”忘了勾“Write”和“Delete”。现在我一律用CLI生成az storage container generate-sas --name mycontainer --https-only --permissions acdlrw --expiry 2025-12-31 --https-only。6.4 检查4ADF Pipeline参数传递验证Q2/Q3关键链路# 在ADF中为Notebook Activity配置参数后需验证是否透传 # 在Databricks Notebook中添加调试代码 dbutils.widgets.text(input_path, /mnt/raw/input, Input Path) dbutils.widgets.text(output_path, /mnt/curated/output, Output Path) # 打印所有widget值Q2的“orchestration”是否生效 print(Widgets:, dbutils.widgets.getAll()) # 验证路径是否存在Q3的“dynamic worker allocation”前提 try: files dbutils.fs.ls(dbutils.widgets.get(input_path)) print(fFound {len(files)} files in {dbutils.widgets.get(input_path)}) except Exception as e: print(fInput path error: {e}) dbutils.notebook.exit(INPUT_PATH_INVALID)教训某次ADF管道中input_path参数值为/mnt/raw/input/结尾斜杠而Databricks中dbutils.fs.ls()对结尾斜杠敏感导致FileNotFoundError。解决方案在ADF中用replace(activity(Lookup).output.firstRow.path, /, )清洗路径。6.5 检查5DSVM本地训练的CUDA_VISIBLE_DEVICES隔离Q4离线训练保障# 在DSVM上训练前必须设置GPU可见性 export CUDA_VISIBLE_DEVICES0 # 强制使用GPU 0避免多卡争抢 # 验证TensorFlow是否只看到指定GPU python3 -c import os os.environ[CUDA_VISIBLE_DEVICES] 0 import tensorflow as tf print(Visible GPUs:, len(tf.config.list_physical_devices(GPU))) print(GPU details:, tf.config.list_physical_devices(GPU)) # 同时检查nvidia-smi确认只有GPU 0被占用 nvidia-smi --query-compute-appspid,used_memory,gpu_name --formatcsv教训某次用CUDA_VISIBLE_DEVICES0,1启动训练但nvidia-smi显示两卡显存都被占满而训练速度却比单卡还慢。原因是TensorFlow默认使用MirroredStrategy做多卡同步但我们的模型未适配分布式训练。解决方案要么改用tf.distribute.OneDeviceStrategy(/gpu:0)要么彻底禁用多卡export CUDA_VISIBLE_DEVICES0。希望帮到你。本文还有配套的精品资源点击获取