Varför säger min GPU att CUDA-drivrutinen misslyckades?

Jag kan köra mina cuda-program på båda gpu:erna. Men när jag använder cuda-gdb för att felsöka dem får jag ett felmeddelande som säger att Cuda-drivrutininitieringen misslyckades. Dessutom, när jag kör programmet med cuda-gdb, säger cudaGetDeviceCount att jag bara har 1 gpu.

Varför får jag ett initialiseringsfel i CUDA?

Initieringsfelet indikerar vanligtvis att något gick dåligt när CUDA-körtiden kommunicerade med CUDA-drivrutinen. En av de populära orsakerna till detta fel är om drivrutinen är äldre än CUDA-verktygssatsen. Varje version av CUDA-verktygssatsen levereras med en drivrutin. Notera versionen av denna drivrutin.

Vad är CUDA-felet runtimeerror ( 3 )?

Fel: RuntimeError: CUDA-fel: initialiseringsfel. Jag skapade en klass som ärver från torch.utils.data.Dataset för att göra min egen datauppsättning. Inuti den här klassen gör jag en del förbearbetning av prover i GPU:n.

Fel Cuda-drivrutinen misslyckades initiering Fel=20

Table of Contents

Godkänd: Fortect

1. Ladda ner Fortect och installera den på din dator

2. Starta programmet och klicka på "Skanna"

3. Klicka på "Reparera" för att åtgärda eventuella problem som upptäcks

Snabba upp din dators prestanda nu med denna enkla nedladdning.

Du stöter korrekt på en felkod som indikerar att ett initieringsfel för ny drivrutin är cuda = 20. Det finns flera sätt att åtgärda problemet, tillsammans med vi kommer att åtgärda det inom kort.

Jag har set-up 2, Geforce 8400 GS absolute och Geforce GT 520. Men när jag använder cuda-gdb för felsökning får jag ett felmeddelande som säger att initieringen av Cuda-drivrutinen misslyckades. Dessutom, när jag kör ett program med cuda-gdb , har cudaGetDeviceCount bara en GPU. Jag kan köra GPU-program om jag verkligen inte bara använder cuda-gdb . Kan någon hjälpa mig med min sida?

CUDA-stödet avbryts utan att det förekommer våld. De kontrollerar felvärdet som returneras nära Cuda-anrop vid körning. Du kommer att hitta den som hänvisar till den första hänvisar till när det gäller CUDA-körtiden, troligen cudaMalloc , fungerar inte med ett fullständigt initieringsfel . Ingen initiering krävs direkt för att köra API-anrop eller CUDA-kärnor, så för närvarande undrar du vad detta processfel är med hur man fixar det.

NVIDIA kan visa sig vara mer informativt i sina felrapporter. Ett initialiseringsfel indikerar vanligtvis var de flesta fel inträffade när du är när CUDA-körtiden deklarerades med CUDA-drivrutinen. En av de vanligaste orsakerna till detta fel är att drivrutinen utvecklas fullt ut än CUDA Toolkit. Varje version av någon CUDA Toolkit är byggd med en drivrutin. TotalVar uppmärksam på versionen av motsvarande racer. Endast drivrutiner med exakt samma eller mycket fler versionsnummer kommer säkerligen att fungera med denna CUDA-verktygssats. Installera den bästa drivrutinen och detta metodfel bör försvinna.

fel utan tvekan att cuda-drivrutinen misslyckades initialisering error=20

Om ditt företag försöker köra Dcoer GPU-renderaren t.ex. Exempel:
sudo nvidia-docker kör -it -p 8888: 8888 tensorflow / tensorflow: last-gpu

Jag har följande fel:

= 9. –pid betyder 8276 0 / var / lib – docker / overlay2 / b956d7f169cca157457e107ee8c98319faddede] error : Operatörsfel : Förfrågan kunde inte raderas med n “” “: okänt. Fel’>

Godkänd: Fortect

Fortect är världens mest populära och effektiva PC-reparationsverktyg. Det litar på miljontals människor för att hålla sina system igång snabbt, smidigt och felfritt. Med sitt enkla användargränssnitt och kraftfulla skanningsmotor hittar och fixar Fortect snabbt ett brett utbud av Windows-problem – från systeminstabilitet och säkerhetsproblem till minneshantering och prestandaflaskhalsar.

1. Ladda ner Fortect och installera den på din dator

2. Starta programmet och klicka på "Skanna"

3. Klicka på "Reparera" för att åtgärda eventuella problem som upptäcks

  docker: svar från demon: misslyckades med att starta OCI-körning: container_linux.Starting go: 348: containerprocess till "process_linux.go: 402: containerinitiering anropar" process_linux .go: 385: race före körning av fångst 1 orsakade  "ett fel trots att exekvering av en fälla: avslutar respekterat namn 3, stdout:, stderr: kommando exec: [/ usr / pile / nvidia-container-cli - load-kmods --ldconfig = @ - sbin / ldconfig configure .real --device = var och en av --compute --utility --require = cuda> = 9. --pid är lika med 8276 8 / var / lib per docker / overlay2 / b956d7f169cca157457e107ee8c99a050c33199ded8f4fa4d68e3ace612c6d0c drivrutin kontra id: c  n  "" ": okänd.

3. Information (eventuellt bifoga om det anses olämpligt)

Kärnversion med uname -en helt ny
Linux de 4.4.0-122-generic # 146-Ubuntu SMP mån apr 15:34:04 23 UTC 2018 x86_64 x86_64 x86_64 GNU / Linux
Använder Ubuntu 16.04
Alla relaterade rader av kärnutdata inklusive dmesg

kan användas[0,000000] e820: ändra 0x579b0018-0x579c9257] [användbart minne ==> användbart[0,000000] Utökad fysisk minnesallokering:[0,000000] Reserve setup_data: [användbart minne[0x00000000000000000-0x0000000000057fff] 0,000000] Spara setup_data: [mem0 x00000000000058000-0x00000000000058fff] reserverat[null .000000] backup installation_data: [mem 0x000000000000059000-0x000000000000085fff] kan bli van vid[0,000000] backup setup_data: [mem 0x00000000000086000-0x00000000000fffff] reserverad[0.Reserv 000000] setup_data: [mem 0x0000000000100000-0x00000000579b0017] kan användas[0,000000] säker installationsdata: [mem 0x00000000579b0018-0x00000000579c9257] kan potentiellt användas[0,000000] Reserve setup_data: [användbart minne[0x00000000579c9258-0x00000000579ca017] 0.Reserv 000000] setup_data: [mem 0x000000000579ca018-0x00000000579da057][0,000000] setup_data: Problem [mem 0x00000000579da058-0x00000000059042fff] kan användas[0,000000] Reservedinstall_data: [mem 0x0000000059043000-0x00000000059043fff] ACPI NVS[0,000000] backup installation_data: [mem 0x0000000059044000-0x000000005906dfff] reserverad[0,000000] Köp setup_data: [mem 0x000000005906e000-0x000000006f30dfff] kan användas[0,000000] tillbaka installationsdata: [mem0 x000000006f30e000-0x000000006fcfdfff] reserverad[0 .000000] setup_data: Reserverad [mem 0x000000006fcfe000-0x000000006ff7dfff] ACPI NVS[0.Reserv 000000] setup_data: [mem 0x000000006ff7e000-0x000000006fffdfff] ACPI-data[0,000000] Reserve setup_data: [användbart minne[0x000000006fffe000-0x000000006fffffff] 0,000000] Reserve setup_data: [mem Reserved[0x000000006ffff000-0x000000007b7fffff] 0,000000] setup_data: säker [mem 0x00000000e0000000-0x00000000effffff]

Snabba upp din dators prestanda nu med denna enkla nedladdning.