Desativei temporariamente a proteção de memória ECC em um NVIDIA K20m (dispositivo 0 no meu nó) e agora não consigo trazê-lo de volta ao trabalho. Antes disso, estava funcionando corretamente com o ECC ativado. Então, aqui está o que eu fiz: desabilitei o ECC com
nvidia-smi -i 0 --ecc-config=0
e reiniciado. Quando surgiu, mostrou 100% de utilização da GPU e não iniciou nenhum kernel (na verdade, já falhou ao criar o contexto). O motivo foi um erro de dois bits. Redefini-lo com
nvidia-smi -i 0 --reset-ecc-errors=0
e reiniciou o nó. Após a reinicialização, a utilização do dispositivo era de 0% e eu poderia iniciar os trabalhos normalmente. Algumas horas depois, o dispositivo mostrou novamente uma utilização de 100% da GPU. Desta vez, não reportou um erro de bit duplo (nem mesmo um erro de bit único). No entanto, como não consegui executar nenhum trabalho, reinicializei o nó e ele surgiu com 100% de utilização da GPU, não posso usá-lo, mas não apresenta erros de bit. Qual é o problema é isso?
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
fonte
Respostas:
Minha GPU está morrendo?
Eu digo que já está morto. Não está mais relatando erros de bit porque você desativou o que os detecta. (O ECC detecta mais do que pode corrigir.) No entanto, pode ser que a memória do cartão (ou o próprio cartão físico) tenha desenvolvido uma falha.
Existem outros dois suspeitos antes de eu jogá-lo na lixeira: refrigeração e fonte de alimentação. O resfriamento é fácil o suficiente para verificar; poder, nem tanto.
fonte