记录，太坑了，深度学习显卡损坏原来是这样子的。

时间 2020-10-23

深度学习服务器，3张 RTX2080Ti。
损坏的是1号卡，就是夹在0号和2号卡中间的那张卡。
可能常年温度太高，烧坏了。

事件记录：

每过一段时间，1号卡温度和功率会变成nan。重启服务器就好了。

但服务器经常有任务，也不能随便重启，没看到什么问题，就不管了。

又过了一段时间。发现模型运算超慢的。还以为那里出问题了，查来查去，然后发现执行nvidia-smi命令也超慢的。怀疑机器问题，重启一下，好了，就像啥事没发生过。

改了一个模型，只是小小的改动，拿去训练。Loss nan？我就改了个小地方，怎么Nan了！又改了下Loss，没用，醉了，咋回事，查不出问题，暂时搁置了。

好奇怪啊，明明训练分数不错啊，怎么一预测这个鬼样子，热图上总有一些奇怪的伪影，有些地方预测也没错啊。啊，一定是我训练时的验证函数写的不够好，我改改改。。。

然后到了今天，我草，预测热图怎么还是这吊样。把服务器的模型权重拿下来，准备拉到笔记本里大幅度调试一通。

等了10分钟，笔记本跑完了，这不对啊，这预测热图完美啊。开始怀疑是不是有代码没有同步到服务器上去？然后把我的实验代码全部同步了一遍。

？？？怎么回事？？？，预测热图怎么还是差距这么大？？莫非是依赖库有问题？？？？马上全部依赖库更新一通。

Orz，开始怀疑人生，莫非是pytorch的问题？我的笔记本是torch 1.6，服务器是 torch 1.5.1 。更新服务器pytorch到1.6，没用！不会是CUDA问题把，我的笔记本是CUDA 10.2，服务器是 10.1，换CUDA，搞不起啊，下载太耗时间了。

突然一个想法，死马当活马医，试试换成0号卡，Orz，这热图跟我笔记本预测一模一样了。

原来是显卡的问题，擦，这CUDA运算时内部都不检测数值正确性的吗。这显卡运算单元出毛病了，居然还不报错。

突然间理解了以前显卡坏的时候，都会见到花屏，敢情原来是算错数。

贴两张热图
正常卡预测的热图

出问题的卡预测的热图