GPU裸金属服务器训练速度突然下降以及执行nvidia-smi卡顿的解决方案

1. 问题描述

笔者最近发现在高性能8卡GPU的裸金属上的训练任务突然变慢，以前1个epoch约2小时执行完成，最近1个epoch需要2天才能执行完成。 并且执行nvidia-smi也明显变很卡顿。

2. 问题分析

根据现象描述很可能出现了nvidia-smi D+进程。 首先了解什么是D+进程：

"D+"表示进程状态为"Uninterruptible Sleep (usually IO)"，即进程正在等待I/O操作完成，此时无法被中断。

在正常情况下，nvidia-smi进程通常只会短暂地出现D+状态，因为它们是由内核控制的，该进程处于等待I/O操作完成的状态，可能是在读取或写入GPU相关的数据，这是正常的操作。但是，如果该进程一直处于"D+"状态，可能表明出现了I/O操作阻塞或其他问题，这可能导致系统死锁或其他问题。 

当然如果想构造nvidia-smi D+进程，可以死循环一直执行nvidia-smi 体验D+进程带来的系统不稳定性， 如：

#!/bin/bash

while true; do
    nvidia-smi &
    sleep 1   # 可以根据需要调整间隔时间
done

然后执行查看产生nvidia D+进程

ps -aux | grep -w D+

结果如下：

这时候，你可以观察你的训练任务或者执行nvidia-smi等命令，几乎是卡顿无法执行，因为内核IO已经阻塞， 无法执行相关GPU命令，只能尝试释放D+进程。

3. 解决方案

"nvidia-smi"是一个NVIDIA GPU监视器命令行工具，用于查看GPU的使用情况和性能指标，可以帮助用户进行GPU优化和故障排除。 但是建议一定要在业务软件或训练算法中，避免频繁使用nvidia-smi命令功能获取相关信息，毕竟是和一个完全由内核控制的工具，存在锁死的风险。出现D+进程后可以尝试如下方法：

方法1： 可以根据ps -aux查到的进程号， 使用kill -9强制杀死进程

sudo kill -9 <进程ID>

方法2： 如果方法1执行后无法消除D+进程， 那么重启会解决您的一切烦恼。