GPU功耗上不去可能有以下幾個原因：
數據載入和預處理瓶頸。如果這個階段耗時較長，GPU可能會處於等待數據的狀態，從而無法充分運算。確保這個過程高效，並且與GPU操作之間的數據傳輸速度足夠快。
CPU瓶頸。在深度學習中，CPU負責協調和管理GPU的工作。如果CPU性能較弱或者存在瓶頸，可能會影響GPU的利用率。確保CPU性能足夠強大，能夠及時向GPU傳送任務並管理數據流動。
神經網路結構和模型設計。某些神經網路結構和模型設計可能無法充分利用GPU的計算能力。例如，較小的模型或者淺層神經網路可能無法完全利用高性能GPU。考慮使用更複雜的模型或增加網路深度以提高GPU的利用率。
批量大小(Batch Size)設定不當。深度學習算法通常會以批量為單位進行訓練，即每次輸入一批數據進行計算。如果批量大小設定過小，GPU可能無法同時處理足夠多的數據，導致計算資源得不到充分利用。嘗試增大批量大小，使GPU能夠更好地並行計算。
模型訓練過程中的其他限制。可能存在其他限制，比如記憶體容量不足、顯示卡驅動版本不兼容等因素，都有可能導致GPU功耗無法充分發揮。
以上這些因素都可能導致GPU在使用時無法達到最佳性能水平。針對這些潛在問題，可以採取相應的最佳化措施來提高GPU的利用率和功耗水平。