我最近才开始尝试使用gpflow软件包来为给定的训练集构建各自的GP模型。
我正在处理的数据具有很高的维度：
>>> X.shape; Y.shape
(3489, 416)
(3489, 1)
首先，我正在遵循提供的教程来重现基本模型：
k = gpflow.kernels.RBF(input_dim=X.shape[1], ARD=True) + gpflow.kernels.Linear(input_dim=X.shape[1], ARD=True) + gpflow.kernels.Matern12(input_dim=X.shape[1], ARD=True)
m = gpflow.models.GPR(X, Y, kern=k, mean_function=None)
opt = gpflow.train.ScipyOptimizer()
opt.minimize(m)
优化模型的时间大约是一个小时，在CPU上运行，而在GPU上运行则慢了大约4倍（移动工作站：Quadro P600，至强E3-1200 v5）。
我的问题是，这次是从具有该维度和样本大小的数据集中期望什么，还是可以做些事情来减少优化时间？优化有任何特殊原因完全不能从GPU使用中受益吗？
我知道结合多个内核并设置ADR=True可能是一个很大的瓶颈。除此之外，还有什么可以调整的吗？
理想情况下，一旦添加了许多新参考点，我想连续地重新训练模型。
非常感谢您！
编辑：经过进一步的阅读，我发现GP的一般规模为N ^ 3阶，其中N是样本数。减少样本数量有助于提高速度。但是，GPU仍然慢很多。