如何处理GPU散热异常，执行nvidia-smi命令发现温度过高 问题原因 显卡散热异常、风扇损坏。 问题影响 显卡温度过高，影响用户业务。 处理方法 执行nvidia-smi命令，查看风扇是否正常。 如果风扇转速为0，说明风扇可能存在损坏，用户停止业务，执行业务迁移后，根据故障

查看更多 →

表示帧缓存已使用数，该值与nvidia-smi命令中memory-usage的已使用值对应 表3 温度及功率指标 指标名称 指标类型 单位 说明 DCGM_FI_DEV_GPU_TEMP Gauge 摄氏度 设备的当前GPU温度读数 DCGM_FI_DEV_POWER_USAGE Gauge W 设备的电源使用情况

查看更多 →

物理实体当前测量值。 EntityTrapFaultID 错误码。 对系统的影响 芯片温度过高可能导致设备工作异常，影响业务。 可能原因 设备排风不畅，导致热量散发不畅。 后插卡槽位未插入假面板。 设备所处环境温度过高。 设备的风扇数量不足。 设备的风扇发生故障。 处理步骤 清洁风扇排风区域，插卡告警是否恢复。

查看更多 →

GPU计算型 GPU计算单元包含的计算资源主要适用于政企用户部署GPU密集型业务到CloudPond上使用的场景，对应华为云E CS 的实例包含Pi系列，用户可根据机型规格情况选择对应的计算资源商品。具体规格请参考表1。 表1 GPU计算单元 名称 算力配置 描述 GPU计算单元-汇聚型-2Pi2

查看更多 →

GPU相关问题 日志提示"No CUDA-capable device is detected" 日志提示“RuntimeError: connect() timed out” 日志提示“cuda runtime error (10) : invalid device ordinal

查看更多 →

用户提供更加便捷、高效的GPU计算服务，有效承载AI模型推理、AI模型训练、音视频加速生产、图形图像加速等加速工作负载。 GPU函数主要使用于：仿真、模拟、科学计算、音视频、AI和图像处理等场景下，使用GPU硬件加速，从而提高业务处理效率。 表1 GPU函数规格 卡型 vGPU 显存（GB）

查看更多 →

管理GPU加速型ECS的GPU驱动 GPU驱动概述 Tesla驱动及CUDA工具包获取方式 （推荐）自动安装GPU加速型ECS的GPU驱动（Linux） （推荐）自动安装GPU加速型ECS的GPU驱动（Windows） 手动安装GPU加速型ECS的GRID驱动 手动安装GPU加速型ECS的Tesla驱动

查看更多 →

该指标用于统计每秒写入磁盘的数据量。 ≥0 千字节/秒（kB/s） GPU aom_node_gpu_memory_free_megabytes gpuMemCapacity 显存容量 该指标用于统计测量对象的显存容量。 ≥0 兆字节（MB） aom_node_gpu_memory_usage gpuMemUsage

查看更多 →

GPU驱动故障 G系列弹性 云服务器 GPU驱动故障 GPU驱动异常怎么办？ GPU驱动不可用 GPU设备显示异常 T4 GPU设备显示异常 GPU实例启动异常，查看系统日志发现NVIDIA驱动空指针访问怎么办？

查看更多 →

GPU设备检查 功能 检查节点是否存在gpu设备，gpu驱动是否安装且运行正常。 语法 edgectl check gpu 参数说明 无 使用示例 检查节点GPU设备： edgectl check gpu 检查成功返回结果： +-----------------------+ |

查看更多 →

准备GPU资源 本文介绍如何在使用GPU能力前所需要的基础软件、硬件规划与准备工作。 基础规划 配置 支持版本 集群版本 v1.25.15-r7及以上 操作系统 华为云欧拉操作系统 2.0 系统架构 X86 GPU类型 T4、V100 驱动版本 GPU虚拟化功能仅支持470.57

查看更多 →

监控GPU资源 本章介绍如何在UCS控制台界面查看GPU资源的全局监控指标。 前提条件 完成GPU资源准备。 当前本地集群已创建GPU资源。 当前本地集群开启了监控能力。 GPU监控 登录UCS控制台，在左侧导航栏选择“容器智能分析”。 选择对应的集群并开启监控，详细操作请参照集群开启监控。

查看更多 →

com/gpu 指定申请GPU的数量，支持申请设置为小于1的数量，比如 nvidia.com/gpu: 0.5，这样可以多个Pod共享使用GPU。GPU数量小于1时，不支持跨GPU分配，如0.5 GPU只会分配到一张卡上。 指定nvidia.com/gpu后，在调度时不会将负载调

查看更多 →

支持NVIDIA Tesla P4 GPU卡，单实例最大支持4张P4 GPU卡。 提供GPU硬件直通能力。 单GPU单精度计算能力最高5.5 TFLOPS。 单GPU INT8计算能力最高22 TOPS。 单GPU提供8GiB ECC显存，带宽192GiB/s。 GPU内置硬件视频编解码引擎，

查看更多 →

是，该驱动版本与镜像可能存在兼容性问题，建议更换驱动版本，操作指导，请参考安装GPU驱动。 否，请执行下一步。 请尝试重启云 服务器 ，再执行nvidia-smi查看GPU使用情况，确认是否正常。 如果问题依然存在，请联系客服。 父主题： GPU驱动故障

查看更多 →

EntityTrapFaultID 错误码。 对系统的影响 温度过低可能导致单板工作异常，影响业务。 可能原因 外界温度过低。 处理步骤 测量一下外界环境的实际温度，如果过低则需要使用空调、暖气等调节室温。 如果外界环境温度正常，则可能是低温门限值设置的过高，需要通过命令temperature

查看更多 →

EntityThresholdValue 告警阈值。 EntityThresholdCurrent 当前温度值。 EntityTrapFaultID 告警原因ID。 对系统的影响 无 可能原因 温度恢复正常。 处理步骤 无需处理。 参考信息 无 父主题： V300版本AR设备告警

查看更多 →

告警时“Temperature”表示的是触发该告警的温度阈值，而非AP的实际温度。 APID AP ID。 对系统的影响 表明当前AP温度超过了阈值。 如果阈值设置的不高，对业务没有影响。 如果阈值设置的较高，说明当前AP温度确实较高，可能导致AP器件工作异常，影响业务。 可能原因

查看更多 →

ID。 对系统的影响 表明当前AP温度低于低温阈值。 如果阈值设置的不低，对业务没有影响。 如果阈值设置的较低，说明当前AP温度确实较低，可能导致AP器件工作异常，影响业务。 可能原因 原因1：低温告警阈值设置不合理。 原因2：AP设备所处环境温度过低。 处理步骤 执行命令display

查看更多 →

ID。 对系统的影响 表明当前AP温度低于低温阈值。 如果阈值设置的不低，对业务没有影响。 如果阈值设置的较低，说明当前AP温度确实较低，可能导致AP器件工作异常，影响业务。 可能原因 原因1：低温告警阈值设置不合理。 原因2：AP设备所处环境温度过低。 处理步骤 执行命令display

查看更多 →

实体温度阈值 EntityThresholdCurrent 当前温度值 EntityTrapFaultID 故障码 ReasonDsp 告警产生原因 对系统的影响 原因1：单板温度过高。 单板温度过高，可能导致单板复位。 单板温度过高，可能导致单板下电。 原因2：子卡温度偏高。

查看更多 →