NVIDIA-SMI 显示ERR! ERR! ERR! 错误!风扇和电源使用情况

NVIDIA-SMI风扇与电源ERR!错误排查:从原理到实战解决 在GPU监控与管理中,NVIDIA-SMI是获取显卡实时状态的核心工具。其工作原理是通过驱动层与GPU硬件寄存器通信,读取传感器数据并反馈给用户。当监控链路出现异常时,风扇转速与电源功耗信息可能显示ERR!错误,这通常意味着硬件监控芯片或通信总线存在问题。从技术价值看,准确的风扇与电源监控对保障GPU稳定运行、防止过热降频及优化能耗至关重要。在深度学习训练、高性能计算等应用场景中,此类错误若未及时处理,可能导致计算中断或硬件损伤。本文聚焦于NVIDIA-SMI报错问题,系统分析其背后原理,并提供从驱动排查到 阅读详情
AI摘要

文章提供了针对GPU过热问题的解决方案,包括将GPU移到工作站较凉爽的位置,设置功率限制以保持峰值温度不超过75C,以及使用nvidia-smi命令调整持久性模式和功率极限。此外,还讨论了GPU重置选项,用于处理双位ECC错误或其他需要避免机器重启的情况,但警告说GPU重置并不总能成功,并建议在重置后验证GPU的健康状态。

解决方案

命令解释

DEVICE MODIFICATION OPTIONS
 [any one of]
 -pm, --persistence-mode=MODE
 Set the persistence mode for the target GPUs. See the (GPU ATTRIBUTES)
 section for a description of persistence mode. Requires root. Will
 impact all GPUs unless a single GPU is specified using the -i argument.
 The effect of this operation is immediate. However, it does not per-
 sist across reboots. After each reboot persistence mode will default
 to "Disabled". Available on Linux only.
 为目标GPU设置持久性模式。有关持久性模式的描述,请参阅(GPU属性)部分。需要root用户。将影响所有GPU,除非使用-i参数指定了单个GPU。这次行动的效果是立竿见影的。然而,它不会在重新启动时持续存在。每次重新启动后,持久性模式将默认为“已禁用”。仅在Linux上可用。
 
-pl, --power-limit=POWER_LIMIT
 Specifies maximum power limit in watts. Accepts integer and floating
 point numbers. Only on supported devices from Kepler family. Requires
 administrator privileges. Value needs to be between Min and Max Power
 Limit as reported by nvidia-smi.
 以瓦特为单位指定最大功率限制。接受整数和浮点数字。仅适用于开普勒家族支持的设备。需要管理员权限。根据nvidia smi的报告,该值需要介于最小和最大功率限制之间。

-r, --gpu-reset
 Trigger a reset of the GPU. Can be used to clear GPU HW and SW state
 in situations that would otherwise require a machine reboot. Typically
 useful if a double bit ECC error has occurred. Requires -i switch to
 target specific device. Requires root. There can't be any applica-
 tions using this particular device (e.g. CUDA application, graphics
 application like X server, monitoring application like other instance
 of nvidia-smi). There also can't be any compute applications running
 on any other GPU in the system. Only on supported devices from Fermi
 and Kepler family running on Linux.
 GPU reset is not guaranteed to work in all cases. It is not recommended  for production environments at this time. In some situations there may
 be HW components on the board that fail to revert back to an initial
 state following the reset request. This is more likely to be seen on
 Fermi-generation products vs. Kepler, and more likely to be seen if the
 reset is being performed on a hung GPU.
 Following a reset, it is recommended that the health of the GPU be ver-
 ified before further use. The nvidia-healthmon tool is a good choice
 for this test. If the GPU is not healthy a complete reset should be
 instigated by power cycling the node.
 Visit http://developer.nvidia.com/gpu-deployment-kit to download the
 GDK and nvidia-healthmon.
  • https://developer.nvidia.com/nvidia-system-management-interface
  • https://developer.download.nvidia.cn/compute/DCGM/docs/nvidia-smi-367.38.pdf
    在这里插入图片描述

CG

  • 其他相关命令:nvtop,nvitop
nvidia-smi 风扇和电源显示ERR (Fan and Usage ERR) 问题分析 在显卡上长时间运行很多的程序, 导致显卡过热, 出现问题. 解决方法 停掉所有的在显卡上运行的程序, ERR会消失 设置显卡的persistence mode, 按照这个教程. 限制最大的运行功率不要太大 sudo nvidia-smi -pl 200 -i 2 # 指定卡2的最大功率为200 再次运行nvidia-smi显示卡2的运行功率已经调整好了 +-------------... 阅读详情

相关推荐

Linux下nvidia-smi报错

上网查了一下可能是NVIDIA驱动出了问题,终端执行nvidia-smi,果然!那么大概排除几种可能,猜想可能是在重启服务器的时候,linux内核自动更新了,导致原有的nvidia驱动无法匹配连接。担心更新驱动会有什么其他影响,所以决定将现有的内核降低为之前的内核。我要换回最之前的内核,也就是可以驱动的那个,也就是我要把现在的6.5.0-35-generic换回之前的6.2.0-26-generic。我要的是Linux 6.2.0-26-generic,这边第一个索引为0,所以我要的这个是“1>4”

m0_53733107的博客 1433

用nvidia-smi查看GPU的状态时,能耗pwr显示为ERR!

用nvidia-smi查看GPU的状态时,能耗pwr显示为ERR!

sqlora的专栏 7258

Nvidia驱动莫名其妙不好使了?nvidia-smi报错?如何解决?已解决!!

Nvidia驱动莫名其妙不好使了?nvidia-smi报错?如何解决?已解决!!

Thomas_Cai的记忆殿堂 2435

nvidia GPU显卡执行nvidia-smi命令卡状态显示为ERR解决方法

nvidia GPU显卡执行nvidia-smi命令卡状态显示为ERR解决方法

qq_27815483的博客 5303

NVIDIA-SMI ERR!错误深度解析:从GPU监控原理到硬件级诊断修复

GPU监控是高性能计算和深度学习开发中的基础环节,它通过驱动层与硬件传感器通信,实时反馈显存、温度、功耗等关键状态数据。其核心原理在于建立从用户空间工具到GPU固件的稳定数据链路,确保系统能精准调控性能与散热。这一技术对保障AI训练稳定性、游戏流畅度及数据中心能效管理具有重要价值,广泛应用于模型训练、科学计算和图形渲染等场景。当监控链路中断,特别是出现风扇转速或电源功耗的ERR!报错时,往往意味着底层硬件通信异常。本文针对这一典型故障,结合传感器信号与电源管理模块的工作原理,系统阐述从驱动冲突排查到风扇连接

weixin_30363285的博客 258

如何判断显卡是否在运行?设备管理器、任务管理器与nvidia-smi排查指南

在计算机硬件检测中,显卡状态判断是常见需求。其原理基于操作系统通过驱动识别显示适配器,并监控GPU利用率、显存占用等指标。技术价值在于确保显卡正确调用,避免性能损失。应用场景包括游戏、深度学习训练及多GPU环境。通过设备管理器、任务管理器、nvidia-smi和GPU-Z等工具,可排查驱动异常、负载误判等问题。本文聚焦显卡运行状态检测,提供从识别到负载确认的完整排查链路。

weixin_33919950的博客 398

NVIDIA GPU Fan - Pwr:Usage - ERR!

NVIDIA GPU Fan - Pwr:Usage - ERR!

程永强 4265

Deepin Linux待机唤醒黑屏排查与修复:电源管理、显卡驱动、显示服务全解析

Linux系统在挂起与恢复过程中,常因电源管理策略、显卡驱动初始化顺序或显示服务状态异常而导致唤醒后黑屏。这一现象并非硬件损坏,而是内核休眠模式(如s2idle与deep)、ACPI实现以及图形栈之间协同失败的典型表现。理解其背后的原理,能帮助用户快速定位故障层级,避免盲目重装或强制断电对存储设备造成的损伤。在日常办公与开发场景中,笔记本合盖唤醒黑屏尤为常见,尤其涉及NVIDIA独显、AMD核显及双显卡切换时。通过检查系统日志、确认当前睡眠模式、调整内核引导参数或重启显示管理器,多数问题可以得到有效解决。本

weixin_34224941的博客 156

Linux服务器NVIDIA GPU驱动安装与nvidia-smi排错

在 Linux 服务器中,GPU 驱动是内核与 NVIDIA 显卡之间的底层桥梁,负责加载 nvidia 模块并创建设备节点;nvidia-smi 正常只代表第一层通路打通,CUDA、cuDNN 与 nvidia-container-toolkit 才决定上层框架和容器能否调用算力。驱动稳定性受内核版本、DKMS、Secure Boot 签名和 nouveau 禁用状态影响,内核升级后模块重建失败或签名被拒绝,常表现为 nvidia-smi 通信异常。其价值是把显卡从“被识别”推进到“稳定可用”,支撑 Py

weixin_33816821的博客 353

Jetson TK1实战指南:L4T刷机、CUDA 6.5与GPIO裸机开发

Jetson TK1作为嵌入式AI的早期GPU计算平台,是理解边缘设备底层运行机制的关键入口。它基于ARM架构与Tegra K1 SoC,搭载GK20A GPU(Compute Capability 3.2),原生支持CUDA 6.5和cuDNN v4,为学习GPU通用计算、Bootloader启动流程及硬件寄存器级控制提供了不可替代的实践载体。其技术价值不仅在于历史意义,更在于暴露现代AI框架所封装的‘脏活’——如eMMC分区校验、ARM交叉编译链配置、U-Boot定制、GPIO内存映射等核心能力。在工业

388

2. NVIDIA Xid 故障码全解析手册(以 Xid119/Xid154 为核心,含全系列常见故障、排查、修复、运维方案)

NVIDIA GPU Xid故障排查手册摘要 本手册针对NVIDIA GPU(含RTX/数据中心卡)常见Xid错误提供标准化解决方案,重点解析Xid119(GSP通信超时)与Xid154(GPU强制复位)的故障机理及分层修复流程。 核心内容: Xid基础理论 Xid是NVIDIA驱动的硬件/软件错误代码,跨架构/驱动版本通用。日志包含PCI总线、进程ID及错误描述,通过dmesg或nvidia-smi捕获。 GSP处理器(Ampere架构起引入)是Xid119/154的根源,负责硬件管理,其固件异常或静电干

jundao1997的专栏 441

(日常搬砖)ubuntu18.04风扇断断续续响,提示 ‘GPU fan error‘

问题描述 最近在Ubuntu上使用Nvidia GPU训练模型的时候,没有问题,过一会再训练出现非常卡顿,使用nvidia-smi查看发现,显示GPU的风扇和电源报错。 解决方案 在nvidia论坛有人给出了解决方案,即问题的根源可能是风扇转速不足使GPU过热导致的。 首先开启GPU的persistent mode,再设置风扇的功率,重启即可生效。其中250代表的是风扇的最大功率限制,可以将其设置为最大,这样过热的时候风扇就会自动加大功率。 sudo nvidia-smi -pm 1 sudo nvidia

PhilharmyWang的博客 1787

保姆级教程:在紫光同创Titan2 FPGA上实现PCIe DMA,实测带宽接近理论极限

本文详细介绍了在紫光同创Titan2 FPGA上实现PCIe DMA性能调优的全过程,通过参数优化和架构设计,实测带宽达到6.91GB/s,接近理论极限。涵盖开发环境搭建、PCIe IP核定制、DMA引擎设计、驱动开发及性能调优等关键步骤,为FPGA开发者提供实用指南。

weixin_30954817的博客 335

GPU性能实时监控工具盘点:从nvidia-smi到DCGM+Grafana

在深度学习的训练与推理过程中,GPU的实时状态直接决定任务效率与稳定性。显存泄漏、温度墙降频、GPU利用率虚高、多卡掉线等问题,常常让模型训练陷入瓶颈。理解GPU监控的核心指标——如SM占用率、显存带宽、功耗与温度——是精准定位性能拐点的关键。本文从最基础的NVIDIA命令行工具nvidia-smi出发,逐步介绍终端图形化工具nvtop、可编程的gpustat,以及面向数据中心的DCGM+Prometheus+Grafana监控体系。这些工具能帮助开发者实时捕捉GPU利用率波动、显存占用变化和硬件健康状态,

weixin_33785108的博客 428

LAMMPS实操系列(一): 大量FCC-CoCrCuFeNi高熵合金建模与最稳定结构筛选

高熵合金(High-entropy alloys,HEA),是由五种或五种以上等量或大约等量金属形成的合金。由于高熵合金可能具有许多优秀的物理化学性质,因此在材料科学领域受到广泛关注

Ceshigo_CD的博客 3257

【本体】Protege高效批量导入实例(Individuals)的自动化实践

本文详细介绍了在Protege中高效批量导入实例(Individuals)的自动化实践方法。通过分析Protege本体文件结构,提供Python脚本示例,帮助用户快速处理大规模数据导入,显著提升知识图谱构建效率。特别适合需要处理数千个实例的医疗、制药等领域应用。

weixin_30275415的博客 408

novelai训练日记

novelai

baltam1995 255

液晶电视维修必看:TCON逻辑板故障排查全指南(附常见问题解决方案)

本文详细解析了液晶电视TCON逻辑板的工作原理与故障排查方法,涵盖LVDS信号处理、DC-DC电压系统等核心知识。提供从基础测量到高级维修的完整指南,帮助技术人员快速诊断黑屏、竖线等常见故障,并给出预防性维护建议,提升维修效率与成功率。

weixin_42535461的博客 615

GPU 服务器告警排查与处理实战指南

先收集现场信息,再定位根因,最后针对性处理。同时,通过监控告警体系和定期巡检,把问题消灭在萌芽状态。希望本文的排查思路能帮你在面对 GPU 告警时少走弯路,快速恢复服务。

2401_82584338的博客 297

Debezium报错处理系列之二十一:Unable to connect: Communications link failure.The driver has not received any

Debezium报错系列之二十一:Unable to connect: Communications link failure.The driver has not received any。

zhengzaifeidelushang的博客 547

验证码破解2.0:Python+CV大模型搞定滑块/点选验证

核心创新:基于YOLOv8+SAM CV大模型的端到端验证码破解方案,无需人工设计特征,适配多种验证码类型;核心价值高成功率:滑块验证≥95%,点选验证≥90%,远超传统CV方案;低延迟:单验证码破解≤2秒,满足高并发采集需求;行为模拟:生成符合人类操作的轨迹,绕过行为检测;易扩展:统一架构支持新增验证码类型,仅需少量标注数据微调;技术要点采用YOLOv8实现快速目标检测,SAM实现像素级分割;生成物理规律的人类轨迹,模拟真实操作行为;

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1261

Nvidia CX8网卡PCIe 6.0全速部署实战指南

PCIe 6.0是当前最高代际的高速互连总线标准,依托PAM4编码与128 GB/s双向带宽,为DPU、AI加速器和RDMA网络提供底层确定性传输能力。其核心价值在于实现零拷贝数据通路、微秒级端到端延迟及NUMA感知的DMA直通,显著提升大模型训练、高频交易与实时推理等场景的IO效率。然而实际落地受制于主板信号完整性、电源纹波、时钟抖动与内核调度策略等多重因素。本文聚焦Nvidia CX8——一款基于BlueField-3 DPU的PCIe 6.0 x16智能网卡,在消费级平台实现稳定全速运行的关键路径,涵

weixin_33957648的博客 391

FC7300 SPI MCAL配置引导

Example - QMI8A01z外设:Example - QMI8A01z外设:

舊梦的博客 257

Jetson工业载板BSP匹配实战:Neousys载板与JetPack/L4T版本精确对齐指南

在嵌入式与边缘计算领域,BSP(板级支持包)是连接硬件平台与操作系统内核的关键桥梁,而设备树(DTB/DTS)则负责描述板级外设拓扑。对于采用Jetson模块构建工业计算机的开发者而言,载板上的网口、CAN、GPIO、RTC等接口能否被系统正确识别,几乎完全取决于BSP与载板原理图的精确匹配。无论是NVIDIA官方L4T内核,还是厂商二次定制的bootloader与驱动,任何一个节点配置失误,都会导致系统看似启动正常、功能却缺失的隐蔽故障。在机器视觉、AGV、边缘网关等工业现场场景中,工程师需要理解JetP

cuiji1279的博客 369

《低功耗方法学》翻译——第一章:介绍

第一章:介绍

记录所学,分享知识,结识挚友 2067

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

GPU架构深度解析:从CUDA核心到SM调度的硬件真相

GPU并非‘多核CPU’,而是一种基于SIMT架构、以确定性流水线和层级内存为核心的并行计算设备。其计算效率取决于线程组织(warp/block)、资源竞争(寄存器/共享内存)与数据访存模式的协同优化。理解流式多处理器(SM)的资源配额机制、warp divergence对性能的隐性损耗,以及全局内存与共享内存之间的带宽鸿沟,是突破‘能跑但慢’‘显存崩塌’等典型问题的关键。尤其在AI加速场景下,Tensor Core的启用更依赖数据对齐、类型匹配与矩阵维度约束等硬性条件。本文聚焦RTX 4090/A100等

ctk87443的博客 489

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

上一篇: TensorRT:自定义插件学习与实践 002:实现GELU
下一篇: OOD:Prompt-Guided Zero-Shot Anomaly Action Recognition using Pretrained Deep Skeleton Features
FakeOccupational
博客等级 码龄6年 2万+粉丝 1727原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值