【发布时间】：2019-08-11 04:15:00
【问题描述】：
在星期二重新启动一个实例时，我首先遇到了在具有 Ubuntu 深度学习 AMI 的 AWS p2.xlarge 机器上失去 GPU 支持的问题。
我现在在两天内测试了 3 次，一位同事也遇到了同样的问题，所以我猜是 AWS 的错误。虽然也许有人知道如何更好地调试它。
基本上，在关闭并重新启动后，实例不再将 nvidia 模块加载到内核中。此外，根据 dmesg，似乎加载了不同的内核。所有这一切都是在我没有主动造成的情况下发生的。
以下是使用新实例和无自定义代码重现问题的步骤。我在爱尔兰 (eu-west-1) 工作，该实例在可用区 eu-west-1a 中启动：
- 启动了“深度学习 AMI (Ubuntu) 版本”的实例 21.2 (ami-0e9085a8d461c2d01)
- 实例类型：p2.xlarge，所有默认值
- 登录实例，只运行了以下四个命令：
ubuntu@...:~$ lsmod | grep nvidia
nvidia 16592896 0
ipmi_msghandler 49152 1 nvidia
dmesg | less
...
[ 0.000000] Linux version 4.4.0-1075-aws (buildd@lgw01-amd64-035) (gcc version 5.4.0 20160609 (Ubuntu 5.4.0-6ubuntu1~16.04.10) ) #85-Ubuntu SMP Thu Jan 17 17:15:12 UTC 2019 (Ubuntu 4.4.0-1075.85-aws 4.4.167)
[ 0.000000] Command line: BOOT_IMAGE=/boot/vmlinuz-4.4.0-1075-aws root=UUID=96950bba-70e8-4a4b-9d78-d2bc1c767e04 ro console=tty1 console=ttyS0 nvme.io_timeout=4294967295
...
ubuntu@...:~$ nvidia-smi
Tue Mar 19 16:41:53 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 410.79 Driver Version: 410.79 CUDA Version: 10.0 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 Tesla K80 On | 00000000:00:1E.0 Off | 0 |
| N/A 42C P8 32W / 149W | 0MiB / 11441MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+
ubuntu@...:~$ sudo shutdown now
- 实例没有立即关闭，可能它正在运行更新，但我没有主动触发。
- 状态显示“已停止”后，通过 AWS 管理控制台再次启动实例
- 运行前三个命令：
ubuntu@...:~$ lsmod | grep nvidia
(no output)
dmesg | less
...
[ 0.000000] Linux version 4.4.0-1077-aws (buildd@lcy01-amd64-021) (gcc version 5.4.0 20160609 (Ubuntu 5.4.0-6ubuntu1~16.04.10) ) #87-Ubuntu SMP Wed Mar 6 00:03:05 UTC 2019 (Ubuntu 4.4.0-1077.87-aws 4.4.170)
[ 0.000000] Command line: BOOT_IMAGE=/boot/vmlinuz-4.4.0-1077-aws root=UUID=96950bba-70e8-4a4b-9d78-d2bc1c767e04 ro console=tty1 console=ttyS0 nvme.io_timeout=4294967295
...
ubuntu@...:~$ nvidia-smi
NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.
如何强制使用内核 4.4.0-1075-aws 启动？由于是 hvm 虚拟化，所以无法直接在对话框中选择内核。
【问题讨论】：
-
我在 eu-central（法兰克福）遇到了完全相同的问题。发生在具有深度学习 AMI (Ubuntu) 版本 21.2 的 p2.xlarge 和 p3.2xlarge 实例上。到目前为止没有任何帮助，只能终止该实例并从头开始一个新实例，由于从 s3 下载所有数据，这是一个巨大的痛苦。
标签： amazon-web-services amazon-ec2 kernel gpu nvidia