MI300X GPU 問題

請參考此資訊以解決與 GPU、散熱槽模組及 GPU 基板相關的問題。

GPU 的性能狀態檢查

註

使用下列其中一個公用程式可檢查 GPU 運作狀態。請務必更新 GPU 驅動程式，包括以下所需的公用程式。最新的驅動程式可以在以下位置找到：ThinkSystem SR685a V3 驅動程式和軟體下載網站。

有關系統管理介面 (SMI) 資訊的詳細資訊，請參閱 AMD 系統管理介面。

rocm-smi
執行 rocm-smi 公用程式可顯示線上的八個 GPU。
圖 1. rocm-smi
rocm-smi --showrasinfo
執行 rocm-smi --showrasinfo 公用程式，以顯示八個 GPU 的硬體詳細資料。
圖 2. rocm-smi --showrasinfo
rocm-smi --showhw
執行 rocm-smi --showhw 公用程式可顯示八個 GPU 的錯誤計數器。
圖 3. rocm-smi --showhw
rocm-smi -a
執行 rocm-smi -a 公用程式，以顯示八個 GPU 的狀態。
圖 4. rocm-smi -a

當其中一個事件出現在 XCC Web 事件日誌中時，表示系統無法偵測到一個或多個特定的 GPU。

出現事件 FQXSPIO0015M：系統 [ComputerSystemElementName] 的插槽 [PhysicalConnectorSystemElementName] 故障。時，請參閱FQXSPIO0015M以解決問題。
出現事件 FQXSFIO0010M：發生無法更正的 PCIe 錯誤，位置在匯流排 [arg1] 裝置 [arg2] 功能 [arg3]。裝置的「供應商 ID」為 [arg4]，「裝置 ID」為 [arg5]。實體 [arg6] 號碼為 [arg7]。時，請參閱FQXSFIO0010M以解決問題。
註
參數：
- [arg1] 匯流排
- [arg2] 裝置
- [arg3] 功能
- [arg4] VID
- [arg5] DID
- [arg6] 插槽/機槽
- [arg7] 實例號碼
出現事件 FQXSPUN0019M：感應器 [SensorElementName] 的狀態已從較不嚴重轉變成嚴重。時，請參閱FQXSPUN0019M以解決問題。

註

下表顯示了 XCC 中的插槽編號與實體 GPU 插座之間的對映資訊。

提供意見回饋