Czy moja GPU umiera?

14

Tymczasowo wyłączam ochronę pamięci ECC w NVIDIA K20m (urządzenie 0 w moim węźle) i teraz nie mogę przywrócić jej do pracy. Wcześniej działało poprawnie z włączoną funkcją ECC. Oto, co zrobiłem: wyłączyłem ECC za pomocą

nvidia-smi -i 0 --ecc-config=0

i ponownie uruchomiony. Kiedy się pojawił, pokazał 100% wykorzystania GPU i nie uruchomiłby żadnych jąder (tak naprawdę już nie powiódł się podczas tworzenia kontekstu). Powodem był podwójny błąd. Resetuję za pomocą

nvidia-smi -i 0 --reset-ecc-errors=0

i ponownie uruchomiłem węzeł. Po restarcie wykorzystanie urządzenia wyniosło 0% i mogłem rozpocząć zadania jak zwykle. Kilka godzin później urządzenie ponownie wykazało wykorzystanie 100% GPU. Tym razem nie zgłosił błędu podwójnego bitu (nawet błędu jednego bitu). Ponieważ jednak nie mogłem uruchomić żadnego zadania, zrestartowałem węzeł i pojawił się on w 100% z wykorzystaniem GPU, nie mogę go użyć, ale nie zgłasza żadnych błędów. O co w tym chodzi?

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
Ritter
źródło
2
wydaje się dziwny; nigdy nie zauważyłem czegoś takiego. Chociaż może to nie pomóc w rozwiązaniu problemu, spróbuj ponownie zainstalować sterowniki.
Ben Franchuk,
Wydaje mi się, że już próbowałeś oczywiste, aby po prostu złomować i ponownie zainstalować wszystko? Mam na myśli, uhm, niewiele wiem o sprzęcie, więc moim podejściem jest zawsze absolutna pewność, że oprogramowanie - co rozumiem - powinno działać. A potem prawdopodobnie zadeklaruję, że utwór jest zepsuty, dopóki nie zaprzeczy mu opinia bardziej kompetentna.
Ariane,
Przejrzałem go, a także spędziłem trochę czasu badając ten problem i jego przyczyny. Wydaje się, że najlepszym rozwiązaniem jest wymiana sprzętu.
Adovi
1
Czy próbowałeś już zresetować CMOS?
Siergiej

Odpowiedzi:

2

Czy moja GPU umiera?

Mówię, że już nie żyje. Nie zgłasza już błędów bitów, ponieważ wyłączyłeś element, który je wykrywa. (ECC wykrywa więcej, niż jest w stanie poprawić). Jednak może to być pamięć na karcie (lub samej karcie fizycznej), która rozwinęła się.

Zanim wrzuciłem go do kosza na śmieci, są jeszcze dwaj podejrzani: chłodzenie i zasilanie. Chłodzenie jest wystarczająco łatwe do sprawdzenia; moc, nie tyle.

Ricky Beam
źródło