從你描述的情況來看，可能有幾個因素影響了你的訓練時間，並且你目前的模型大小和訓練
時間的觀察並不完全符合預期。
訓練集規模過小： 你提到使用的是Fashion MNIST，它的資料集規模相對較小（只有60,000
張訓練圖片）。這樣的資料集可能會導致資料加載成為瓶頸，尤其是如果你使用的是硬盤來
讀取資料，或者如果IO操作的效率不高，這會影響到訓練的總時間。在訓練過程中，模型的
計算時間相對較短，而IO時間（資料加載和預處理）可能佔據了相當大的一部分。
訓練過程中的計算瓶頸： 雖然ResNet34比ResNet18的參數量多，但其運算複雜度和每個epo
ch的計算時間可能並不完全線性地隨著參數數量的增加而增加。ResNet34雖然參數更多，但
在某些情況下，可能由於層數增多和網絡架構的不同，計算效率會有所不同，特別是如果使
用了不同類型的操作（例如，ResNet的skip connections等）。如果訓練過程中存在瓶頸，
可能會在不同架構上造成時間差異。
MNASNet的設計： 你提到MNASNet系列的訓練時間較長。MNASNet是為移動設備優化的架構，
通常會有較少的參數和較低的計算量，但它會利用一些特殊的策略（例如深度可分離卷積等
）來達到較好的效率。在這些架構中，某些操作的計算和GPU的利用可能會和ResNet不同，
進而影響實際的訓練時間。
GPU效能利用： 你的訓練使用的是單張A100，理論上A100的計算效能應該很高，但如果模型
的運算不夠密集，或者計算圖中存在一些瓶頸，這可能會導致GPU無法充分發揮其性能，從
而導致時間表現不如預期。特別是像MNASNet這類專為效率設計的架構，其運行效率可能不
如專為高性能計算設計的架構（如ResNet系列）。
批次大小（Batch Size）： 批次大小對訓練時間有很大的影響。較小的批次大小可能導致G
PU資源的利用率較低，進而影響訓練時間。如果你在使用這些不同模型時沒有調整批次大小
，這也可能會造成時間上的差異。
總結建議：
檢查資料加載速度：確保資料加載和預處理不會成為瓶頸，特別是在資料集較小的情況下，
I/O操作可能會佔據大部分時間。
觀察GPU效能：確保A100的利用率達到預期，可以使用工具如nvidia-smi來監控GPU的使用情
況。
調整批次大小：適當調整批次大小，根據你的硬體配置來獲得最佳訓練效率。
進一步分析運算瓶頸：使用如nvprof、TensorBoard等工具來分析具體的運算瓶頸，是否存
在某些層或操作佔用過多時間。
如果資料集和硬體配置較小，且計算複雜度相對較低，那麼可能會有更多時間花費在I/O或G
PU資源未能完全利用上。