Desactivo temporalmente la protección de memoria ECC en un NVIDIA K20m (dispositivo 0 en mi nodo) y ahora no puedo volver a ponerlo en funcionamiento. Antes de eso funcionaba correctamente con ECC habilitado. Entonces, esto es lo que hice: deshabilité ECC con
nvidia-smi -i 0 --ecc-config=0
y reiniciado. Cuando apareció, mostró una utilización del 100% de la GPU y no inició ningún núcleo (en realidad ya falló al crear el contexto). La razón fue un error de doble bit. Lo reinicio con
nvidia-smi -i 0 --reset-ecc-errors=0
y reinició el nodo. Después del reinicio, la utilización del dispositivo fue del 0% y pude iniciar los trabajos como de costumbre. Unas horas más tarde, el dispositivo mostró nuevamente una utilización del 100% de la GPU. Esta vez no informó un error de doble bit (ni siquiera un error de un solo bit). Sin embargo, dado que no pude ejecutar ningún trabajo, reinicié el nodo y apareció con una utilización de GPU del 100%, no puedo usarlo, pero no informa de ningún error. ¿Qué pasa esto?
GPU 0000:02:00.0
Product Name : Tesla K20m
Display Mode : Disabled
Persistence Mode : Enabled
Driver Model
Current : N/A
Pending : N/A
Serial Number : 0324512044699
GPU UUID : GPU-9bfe1aba-1628-a406-3ed5-2af49462a997
VBIOS Version : 80.10.11.00.0B
Inforom Version
Image Version : 2081.0208.01.07
OEM Object : 1.1
ECC Object : 3.0
Power Management Object : N/A
GPU Operation Mode
Current : Compute
Pending : Compute
PCI
Bus : 0x02
Device : 0x00
Domain : 0x0000
Device Id : 0x102810DE
Bus Id : 0000:02:00.0
Sub System Id : 0x101510DE
GPU Link Info
PCIe Generation
Max : 2
Current : 2
Link Width
Max : 16x
Current : 16x
Fan Speed : N/A
Performance State : P0
Clocks Throttle Reasons
Idle : Not Active
User Defined Clocks : Not Active
SW Power Cap : Not Active
HW Slowdown : Not Active
Unknown : Not Active
Memory Usage
Total : 4799 MB
Used : 12 MB
Free : 4787 MB
Compute Mode : Default
Utilization
Gpu : 100 %
Memory : 0 %
Ecc Mode
Current : Enabled
Pending : Enabled
ECC Errors
Volatile
Single Bit
Device Memory : 0
Register File : 0
L1 Cache : 0
L2 Cache : 0
Texture Memory : 0
Total : 0
Double Bit
Device Memory : 0
Register File : 0
L1 Cache : 0
L2 Cache : 0
Texture Memory : 0
Total : 0
Aggregate
Single Bit
Device Memory : 0
Register File : 0
L1 Cache : 0
L2 Cache : 0
Texture Memory : 0
Total : 0
Double Bit
Device Memory : 0
Register File : 0
L1 Cache : 0
L2 Cache : 0
Texture Memory : 0
Total : 0
Temperature
Gpu : 30 C
Power Readings
Power Management : Supported
Power Draw : 49.51 W
Power Limit : 225.00 W
Default Power Limit : 225.00 W
Min Power Limit : 150.00 W
Max Power Limit : 225.00 W
Clocks
Graphics : 758 MHz
SM : 758 MHz
Memory : 2600 MHz
Applications Clocks
Graphics : 705 MHz
Memory : 2600 MHz
Max Clocks
Graphics : 758 MHz
SM : 758 MHz
Memory : 2600 MHz
Compute Processes : None