集群运维与排障AMD ROCm知识 · 集群运维与排障
AMD ROCm PyTorch容器部署：兼容矩阵、设备映射、算子验证与性能排查
使用AMD验证的ROCm PyTorch容器建立GPU环境，解释/dev/kfd、/dev/dri、HIP版本、设备权限和多卡验证，并避免把CUDA教程直接套到AMD平台。
网昱原创4 分钟
集群运维与排障AMD ROCm
集群运维与排障Kubernetes GPU知识 · 集群运维与排障
Kubernetes调度GPU任务：Device Plugin、资源声明、节点标签与Pending排障
从GPU节点驱动和设备插件开始，让Kubernetes上报nvidia.com/gpu或amd.com/gpu，编写最小测试Pod，并根据事件定位资源为零、Pod Pending和异构卡误调度。
网昱原创3 分钟
集群运维与排障DCGM Exporter知识 · 集群运维与排障
DCGM Exporter监控GPU：Prometheus采集、关键指标、告警规则与故障演练
在每个GPU节点部署DCGM Exporter，通过9400端口输出Prometheus指标，解释温度、功耗、显存、PCIe、Xid和健康指标，并设计避免告警噪声的规则。
网昱原创3 分钟
集群运维与排障PyTorch知识 · 集群运维与排障
PyTorch CUDA环境完整验收：驱动、运行时、cuDNN、算子与多卡逐层验证
从宿主机驱动到PyTorch张量、混合精度和多GPU通信逐层验收，解释nvidia-smi、nvcc与torch.version.cuda为何可能显示不同版本。
网昱原创5 分钟
集群运维与排障NVIDIA Container Toolkit知识 · 集群运维与排障
Ubuntu部署NVIDIA Container Toolkit：从宿主机驱动到Docker GPU透传完整排障
面向Ubuntu GPU服务器，从驱动检查、官方软件源、Docker运行时配置到CUDA容器验收，解释宿主机CUDA与容器CUDA的关系，并给出常见故障定位顺序。
网昱原创6 分钟
集群运维与排障NCCL知识 · 集群运维与排障
NCCL多GPU通信排障实战：从PCIe拓扑到all-reduce性能基线
按单卡、点对点、单机集合通信和多机网络四层排查NCCL初始化卡死与性能异常，包含拓扑读取、共享内存、网卡选择、日志采集和nccl-tests基线。
网昱原创4 分钟
集群运维与排障AI算力集群运维与排障AI算力知识 · 集群运维与排障
Ubuntu GPU服务器初始化：磁盘、网络、用户权限与基础安全
把新到货GPU服务器整理成可审计、可回滚、可交接的基础运行环境，给出准备、实施、排错和验收方法。
网昱原创3 分钟
集群运维与排障AI算力集群运维与排障AI算力集群运维与排障AI算力知识 · 集群运维与排障
NVIDIA GPU XID错误处置：日志采集、隔离、复现与报修证据
在GPU掉卡、任务崩溃或节点异常时形成统一的XID故障响应流程，给出准备、实施、排错和验收方法。
网昱原创2 分钟
集群运维与排障AI算力集群运维与排障AI算力集群运维与排障AI算力知识 · 集群运维与排障
NVIDIA驱动、CUDA与容器环境逐层排错手册
解决nvidia-smi正常但容器看不到GPU、CUDA版本不匹配和框架启动失败，给出准备、实施、排错和验收方法。
网昱原创2 分钟