寻找多GPU中出错的显卡详解

最新推荐文章于 2025-04-21 09:47:01 发布

chanhal

最新推荐文章于 2025-04-21 09:47:01 发布

阅读量832

点赞数 1

CC 4.0 BY-SA版权

分类专栏：机器学习 GPU

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/halchan/article/details/90028530

本文介绍了在多GPU环境中，如何通过命令行诊断出故障显卡的详细步骤。首先，通过`nvidia-smi`与VGA编号对应关系确定显卡序号，然后，结合aa.log文件识别出故障显卡的物理插槽，以此实现远程判断问题显卡的位置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

更多关注：

寻找多GPU中出错的显卡详解

问题

在深度学习计算环境中可能安装了多块GPU显卡，由于显卡质量原因，机房电压、温度原因可能导致某块，或者某几块显卡坏掉。如何在不打开机箱的情况下判断是哪块显卡出现问题，对于机器在远程机房的情况下，有关键的作用。如果是哪块显卡出现问题的都不知道，怎么远程知道别人帮你维护呢？

在这里插入图片描述

另外，通过命令行是无法查询GPU的Serial Number等具有标志性的识别码。
在这里插入图片描述

解决

第一步

确定nvidia-smi中列出来的显卡序号与VGA中编号的对应关系：

nvidia-smi -q > aa.log
vim aa.log

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。