有什么可以帮到您的？

面向AI服务器运维，讲解GPU拓扑感知调度的核心操作：用nvidia-smi topo -m和lscpu确认NUMA与NVLink拓扑，通过taskset或Slurm把进程绑到正确CPU与GPU，并验证绑定效果。适合需要优化多卡训练性能的读者。

面向AI服务器运维人员，讲清GPU驱动升级前的环境检查、官方runfile安装步骤、常见报错处理与升级后验证方法，避免升级后nvidia-smi无法识别GPU或CUDA不可用。

遇到AI服务器GPU掉卡，本文提供从现象确认、日志分析到驱动重装和硬件验证的完整排查流程，包含 nvidia-smi、dmesg、Xid 错误码等关键命令，适合运维人员按步骤定位并修复掉卡问题。

面向需要监控 AI 服务器 GPU 利用率的运维和算法同学，说明 nvidia-smi 与 DCGM 在利用率监控上的区别，给出 dcgm-exporter 的启动命令、Prometheus 抓取配置和关键指标解读，并整理常见采集异常与验证方法。

AI服务器GPU显存监控怎么做？本文从 nvidia-smi 基础命令讲到 DCGM Exporter 指标采集，给出显存占用排查、进程清理和告警配置的具体命令与验证方法，适合刚接手 GPU 服务器的运维新手。

AI服务器GPU功耗监控实操：从 nvidia-smi 查看实时功耗，到 DCGM Exporter 采集功率指标、Prometheus 告警配置，覆盖常见报错与验证方法，适合运维新手。

面向AI服务器运维新手，讲清GPU温度监控的落地方法：用nvidia-smi快速查看温度、用DCGM Exporter采集温度指标、在Prometheus中配置告警规则，并给出高温排查顺序和验证方式。

面向AI服务器运维人员，介绍DCGM的安装配置流程，包括驱动检查、dcgm-exporter部署、Prometheus抓取配置以及常见报错处理，帮助实现GPU状态监控。

面向AI服务器运维新手，讲清GPU监控配置的完整流程：检查驱动、安装DCGM、启动dcgm-exporter、接入Prometheus与Grafana，并说明显存、温度、ECC等关键指标怎么看，适合需要长期观察多卡状态的场景。

面向需要让多个训练或推理任务共用一块GPU的运维人员，讲解AI服务器GPU共享配置的MIG方案。从检查显卡型号与驱动、启用MIG模式、创建GPU实例和计算实例，到用容器绑定实例并验证显存与算力隔离，包含常见报错和避坑说明。