GPU A系列裸金属服务器使用CUDA cudaGetDeviceCount()提示CUDA initializat失败
【摘要】 笔者在A系列GPU裸金属服务器上,系统环境是ubuntu20.04+nvidia515+cuda11.7, 使用Pytorch2.0时出现如下错误:CUDA initialization: Unexpected error from cudaGetDeviceCount(), 经定位是nvidia-fabricmanager异常导致。
0. 问题描述
笔者在A系列GPU裸金属服务器上,系统环境是ubuntu20.04+nvidia515+cuda11.7, 使用Pytorch2.0时出现如下错误:
CUDA initialization: Unexpected error from cudaGetDeviceCount()
1. 分析原因
经过对裸金属服务器排查,发现nvidia-drvier和cuda都已安装,并且正常运行。nvidia-fabricmanager服务可以使单节点GPU卡间互联,根据笔者多年经验, 在多卡GPU机器上,出现这种问题可能是nvidia-fabricmanger异常导致。
(1) 执行以下命令,查看NVIDIA和CUDA的版本,以及nvidia-fabricmanager的状态
systemctl status nvidia-fabricmanager
发现nvidia-fabricmanager的服务为failed状态,尝试重新启动nvidia-fabricmanager失败,且提示以下信息
nvidia-fabricmanager.service failed because the control process exited with error code
通过命令查看nvidia-fabricmanager的版本,发现nvidia-fabricmanager版本与当前NVIDIA驱动版本不一致
dpkg -l | grep nvidia-fabricmanager
卸载并重新安装正确版本的nvidia-fabricmanager,验证CUDA成功.
2. 解决方案
(1) 查看nvidia-fabricmanager是否安装,若已安装,则查看其服务状态是否为RUNNING,若未安装请直接跳到1.3进行安装
dpkg -l | grep nvidia-fabricmanager
# 若有nvidia-fabricmanager软件,将其卸载
# 若无nvidia-fabricmanager软件,请跳过此命令
sudo apt-get autoremove --purge nvidia-fabricmanager-版本
(2) 安装与NVIDIA驱动版本号相等的nvidia-fabricmanager(以515.105.01举例)
version=515.105.01
main_version=$(echo $version | awk -F '.' '{print $1}')
apt-get update
apt-get -y install nvidia-fabricmanager-${main_version}=${version}-*
启动nvidia-fabricmanager,确保其服务状态为RUNNING
systemctl enable nvidia-fabricmanager
systemctl start nvidia-fabricmanager
systemctl status nvidia-fabricmanager
(3) 重新验证cuda状态, 输出为True
import torch
print(torch.cuda.is_available())
【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)