La mia GPU sta morendo?

Disattivo temporaneamente la protezione della memoria ECC su un NVIDIA K20m (dispositivo 0 nel mio nodo) e ora non riesco a riportarlo al lavoro. Prima funzionava correttamente con ECC abilitato. Quindi, ecco cosa ho fatto: ho disabilitato ECC con

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

e riavviato. Quando è arrivato ha mostrato un utilizzo della GPU al 100% e non ha avviato alcun kernel (in realtà ha già fallito durante la creazione del contesto). Il motivo è stato un errore a doppio bit. L'ho resettato con

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

e riavviato il nodo. Dopo il riavvio l'utilizzo del dispositivo è stato dello 0% e ho potuto iniziare i lavori come al solito. Alcune ore dopo il dispositivo ha mostrato di nuovo un utilizzo della GPU al 100%. Questa volta non ha segnalato un errore a doppio bit (nemmeno un errore a singolo bit). Tuttavia, poiché non sono riuscito a eseguire alcun lavoro, ho riavviato il nodo e mi è venuto in mente un utilizzo della GPU al 100%, non posso usarlo, ma non riporta errori di bit. Qual è il problema, vero?

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

linux gpu nvidia-graphics-card

— ritter
fonte

sembra strano; mai notato niente del genere. Anche se potrebbe non aiutare a risolvere il problema, provare a reinstallare i driver, forse?

— Ben Franchuk,

Immagino che tu abbia già provato l'ovvio di scartare e reinstallare tutto? Voglio dire, uhm, so poco dell'hardware, quindi il mio approccio è sempre quello di assicurarmi che il software - quello che capisco - dovrebbe funzionare. E poi probabilmente dichiarerò il pezzo rotto fino a quando non sarà contraddetto da un'opinione più consapevole.

— Ariane,

L'ho esaminato e ho trascorso un po 'di tempo a ricercare questo problema e le sue cause. Sembra che la soluzione migliore sia quella di sostituire l'hardware.