常用 GPU 运维及故障处理
原文中文，约3300字，阅读约需8分钟。
📝
内容提要
本文讨论了NVIDIA GPU的常见错误代码（XID）及其含义，包括图形引擎异常、GPU内存页错误和驱动固件错误。还提到GPU温度过高的问题及其解决方案，如终止高温应用程序。此外，介绍了在Pod中执行nvidia-smi命令时可能出现的错误及其解决方法。
❓
Q&A
XID错误码是什么？
XID是NVIDIA的错误码，用于定位GPU故障。
常见的XID错误有哪些？
常见的XID错误包括图形引擎异常（XID 13）、GPU内存页错误（XID 31）和驱动固件错误（XID 38）。
如何解决GPU过热问题？
可以通过终止高温应用程序或将其迁移到其他GPU上来解决GPU过热问题。
如何查看GPU的温度？
可以使用命令nvidia-smi --query-gpu=index,temperature.gpu --format=csv,noheader查看GPU温度。
在Pod中执行nvidia-smi时出现错误怎么办？
出现'Function not Found'错误通常是由于CUDA版本不匹配，可以通过设置环境变量并重启应用来解决。
GPU温度超过85°C会有什么影响？
GPU温度超过85°C会导致性能下降和锁频问题。
🏷️
