NVIDIA K20m(ノード内のデバイス0)でECCメモリ保護を一時的に無効にしましたが、再び動作させることができなくなりました。それ以前は、ECCを有効にして適切に動作していました。だから、ここに私がやったことがあります:私はECCを無効にしました
nvidia-smi -i 0 --ecc-config=0
そして再起動しました。起動すると、100%のGPU使用率が示され、カーネルは起動しませんでした(実際には、コンテキストの作成時に既に失敗しました)。理由はダブルビットエラーでした。でリセットしました
nvidia-smi -i 0 --reset-ecc-errors=0
ノードを再起動しました。再起動後、デバイスの使用率は0%であり、通常どおりジョブを開始できました。数時間後、デバイスは再び100%のGPU使用率を示しました。今回は、ダブルビットエラーを報告しませんでした(シングルビットエラーでさえも)。ただし、ジョブを実行できなかったため、ノードを再起動し、GPU使用率が100%になったため、使用できませんが、ビットエラーは報告されません。これはどうしたの?
GPU 0000:02:00.0
Product Name : Tesla K20m
Display Mode : Disabled
Persistence Mode : Enabled
Driver Model
Current : N/A
Pending : N/A
Serial Number : 0324512044699
GPU UUID : GPU-9bfe1aba-1628-a406-3ed5-2af49462a997
VBIOS Version : 80.10.11.00.0B
Inforom Version
Image Version : 2081.0208.01.07
OEM Object : 1.1
ECC Object : 3.0
Power Management Object : N/A
GPU Operation Mode
Current : Compute
Pending : Compute
PCI
Bus : 0x02
Device : 0x00
Domain : 0x0000
Device Id : 0x102810DE
Bus Id : 0000:02:00.0
Sub System Id : 0x101510DE
GPU Link Info
PCIe Generation
Max : 2
Current : 2
Link Width
Max : 16x
Current : 16x
Fan Speed : N/A
Performance State : P0
Clocks Throttle Reasons
Idle : Not Active
User Defined Clocks : Not Active
SW Power Cap : Not Active
HW Slowdown : Not Active
Unknown : Not Active
Memory Usage
Total : 4799 MB
Used : 12 MB
Free : 4787 MB
Compute Mode : Default
Utilization
Gpu : 100 %
Memory : 0 %
Ecc Mode
Current : Enabled
Pending : Enabled
ECC Errors
Volatile
Single Bit
Device Memory : 0
Register File : 0
L1 Cache : 0
L2 Cache : 0
Texture Memory : 0
Total : 0
Double Bit
Device Memory : 0
Register File : 0
L1 Cache : 0
L2 Cache : 0
Texture Memory : 0
Total : 0
Aggregate
Single Bit
Device Memory : 0
Register File : 0
L1 Cache : 0
L2 Cache : 0
Texture Memory : 0
Total : 0
Double Bit
Device Memory : 0
Register File : 0
L1 Cache : 0
L2 Cache : 0
Texture Memory : 0
Total : 0
Temperature
Gpu : 30 C
Power Readings
Power Management : Supported
Power Draw : 49.51 W
Power Limit : 225.00 W
Default Power Limit : 225.00 W
Min Power Limit : 150.00 W
Max Power Limit : 225.00 W
Clocks
Graphics : 758 MHz
SM : 758 MHz
Memory : 2600 MHz
Applications Clocks
Graphics : 705 MHz
Memory : 2600 MHz
Max Clocks
Graphics : 758 MHz
SM : 758 MHz
Memory : 2600 MHz
Compute Processes : None
2
奇妙に見える; このようなものを発見したことはありません。問題の解決に役立たない場合でも、ドライバーを再インストールしてみてください。
—
ベン・フランシュク
私はあなたがすでにすべてをただスクラップして再インストールする明白なことを試みたと思いますか?つまり、ハードウェアについてほとんど知らないので、私のアプローチは、ソフトウェア-私が理解していること-が必ず機能することを常に確認することです。そして、私はおそらく、より知識のある意見と矛盾するまで、破片を破ると宣言します。
—
アリアン
私はそれを調べ、この問題とその原因の調査に時間を費やしました。最善の解決策はハードウェアを交換することであるように見えます。
—
アドヴィ
すでにCMOSをリセットしようとしましたか?
—
セルゲイ14年