服务器GPU温度过高挂掉排查记录Unable to determine the device handle for ...

服务器GPU挂掉

跑深度学习的代码的时候发现中断了。通过命令检察：

1. nvidia-smi

复制代码

表现

1. Unable to determine the device handle for GPU 0000:01:00.0: Unknown Error。

复制代码

感觉很莫名其妙。通过重启大法之后，又能用一段时间。

1. shutdown -r now

复制代码

但是过了一个小时左右又会挂掉。不能从根本解决题目。那么到底为什么GPU会自己挂掉呢？
题目排查

通过检察日志定位错误原因：

1. nvidia-bug-report.sh

复制代码

在当前目录下天生了nvidia-bug-report.log日志文件。检察到日志文件的内容如下：

网上查找一下这个报错码79https://forums.developer.nvidia.com/t/gpu-has-fallen-of-the-bus/122124发现要么是电源题目，要么是温度过高题目。

重现题目，检察温度日志

如果判断是否是GPU温度过高呢？必要打一个温度日志，再运行一下代码，看GPU温度是否超过了shutdown 温度（GPU温度过高会自动掉线保护GPU）。命令如下：

1. nvidia-smi
2. -q -l 2 -d TEMPERATURE -f nvidiatemp.log

复制代码

代码继续跑，等待题目重现后检察温度日志就可以确定是否是温度过高导致GPU自动掉线了。
果然，当GPU掉线后，检察温度日志：

上图中CurrentTemp表示当前温度，Shutdown Temp表示超过这个温度GPU会自动掉线。Target Temp表示目的温度（GPU比较合适的温度）。
找到题目了！就是温度过热导致GPU掉线！
解决题目

温度过热？
多半是散热不行，果然，发现一个风扇明显转的较慢。推测大概是谁人风扇坏掉了。
于是将显卡风扇拆下来。通过拨动发现其中一个风扇没另一个风扇灵活。拆开辟现转轴有点杂质，增大了风扇阻力，清算了一下,上了点润滑油。（固然直接换风扇最为方便！！！免得担心风扇被拆坏掉）

装上后发现能正常工作，温度再也没有超负荷过！题目美满解决！
参考链接

gpu-has-fallen-of-the-bus

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。