ubuntu 18.04LTS
迭代4000/6000 batch之后就会自动重启
从CPU温度,显卡温度等方面没有看出来原因
机器情况:
TITAN RTX * 6, 显卡功率 280x6=1680 W
主板:Supermicro X11DPG-OT
CPU:Intel® Xeon® Silver 4215R CPU @ 3.20GHz, 130x2=260W
电源:2000W/slot, 4 slots, 两主两备,配备=2x2000=4000W
故障排查(看不出错误):
$ dmesg|grep -i xid
$ dmesg|grep -i error
$ ipmitool sel list
$ nvidia-smi
$ iostat -mx2
$ ipmitool dcmi power reading
目前做法ÿ