CUDNN具有专门加速LSTM和GRU层的功能。这些GRU/LSTM层只有在满足特定条件时才能加速。在您的情况下，问题是您正在使用LeakyReLU激活。CUDNN LSTM加速仅在激活为tanh时有效。
引用文档（https://www.tensorflow.org/api_docs/python/tf/keras/layers/LSTM）

The requirements to use the cuDNN implementation are:

activation == tanh
recurrent_activation == sigmoid
recurrent_dropout == 0
unroll is False
use_bias is True
Inputs, if use masking, are strictly right-padded.
Eager execution is enabled in the outermost context.

字符串
你的LSTM仍然应该在GPU上运行，但它将使用scan和matmul操作来构建，因此要慢得多。根据我的经验，CUDNN LSTM/GRU加速工作得很好，这两个层的运行速度都比SimpleRNN层（CUDNN没有加速）快，尽管这一层要简单得多。

这是Keras库的创建者，tensorflow框架的主要贡献者Francois Chollet在他的书Deep Learning with Python 2nd edition中关于RNN运行时性能的说法。
参数很少的递归模型，比如本章中的那些，在多核CPU上的速度往往比在GPU上快得多，因为它们只涉及小的矩阵乘法，而且由于存在for循环，乘法链不能很好地并行化。
当在GPU上使用Keras LSTM或GRU层时，使用默认关键字参数时，您的层将利用cuDNN内核，这是一种高度优化的底层算法实现，由NVIDIA提供。与往常一样，cuDNN内核是喜忧参半：它们速度很快，但也是可行的--如果你试图做任何默认内核不支持的事情，你将遭受一个戏剧性的减速，例如，LSTM和GRU cuDNN内核不支持递归dropout，因此将其添加到层中会迫使运行时退回到常规的TensorFlow实现，这通常会在GPU上慢两到五倍（即使其计算成本相同）。
当你无法使用cuDNN时，为了加快RNN层的速度，你可以尝试展开它。展开for循环包括删除循环并简单地将其内容内联N次。在RNN的for循环中，展开可以帮助TensorFlow优化底层计算图。但是，它也会大大增加RNN的内存消耗-因此，它只适用于相对较小的序列（大约100步或更少）。另外，请注意，只有当模型预先知道数据中的时间步数时才能这样做（也就是说，如果您将没有任何None条目的形状传递给初始Input（））。它的工作方式如下：

inputs = keras.Input(shape=(sequence_length, num_features))
    x = layers.LSTM(32, recurrent_dropout=0.2, unroll=True)(inputs)

字符串

删除activation='relu'解决了我的问题。我更改了我的模型：

model = tf.keras.models.Sequential([
tf.keras.layers.LSTM(units=50, return_sequences=True, activation='relu', input_shape=(X_train.shape[1], 1)),
tf.keras.layers.LSTM(units=50),
tf.keras.layers.Dense(1)

字符串
]）
对此：

model = tf.keras.models.Sequential([
tf.keras.layers.LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)),
tf.keras.layers.LSTM(units=50),
tf.keras.layers.Dense(1)

型
]）