带有 CUDA 和 Nvidia 卡的 PyTorch：RuntimeError：CUDA 错误：所有支持 CUDA 的设备都忙或不可用，但 torch.cuda.is_available() 为 T

Posted 2023-04-15

【中文标题】带有 CUDA 和 Nvidia 卡的 PyTorch：RuntimeError：CUDA 错误：所有支持 CUDA 的设备都忙或不可用，但 torch.cuda.is_available() 为 True

【英文标题】：PyTorch with CUDA and Nvidia card: RuntimeError: CUDA error: all CUDA-capable devices are busy or unavailable, but torch.cuda.is_available() is True

【发布时间】：2021-12-23 10:34:23

【问题描述】：

问题：

在 CentOS 7 上运行的 Nvidia GPU 上使用 CUDA 运行 PyTorch 脚本时，我偶尔会遇到以下 CUDA 错误。

如果我跑：

python3 -c 'import torch; print(torch.cuda.is_available()); torch.randn(1).to("cuda")'​

我得到以下输出：

True​
Traceback (most recent call last):​
  File "<string>", line 1, in <module>​
RuntimeError: CUDA error: all CUDA-capable devices are busy or unavailable​
CUDA kernel errors might be asynchronously reported at some other API call,so the stacktrace below might be incorrect.​
For debugging consider passing CUDA_LAUNCH_BLOCKING=1.

PyTorch 似乎认为 GPU 可用，但我不能在它的内存上放任何东西。当我重新启动计算机时，错误消失了。我似乎无法让错误持续出现。

【参考方案1】：

当我在 Python 之外运行 nvidia-smi 时，它显示了一个在 GPU 上运行的进程，尽管我取消了 PyTorch 脚本的执行：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 460.27.04    Driver Version: 460.27.04    CUDA Version: 11.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  Tesla V100-PCIE...  On   | 00000000:00:06.0 Off |                    0 |
| N/A   29C    P0    33W / 250W |   1215MiB / 32510MiB |      0%   E. Process |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A     18805      C   python3                          1211MiB |
+-----------------------------------------------------------------------------+

如果我终止进程（使用PID=18805），通过运行kill -9 18805，该进程将不再出现在nvidia-smi 中，并且错误不会再次出现。

非常欢迎任何关于更好解决方案的见解，或者如何首先避免这个问题。