ストレージ・プリエンプション中断
チェックポイント破損・読み込み失敗 (EOFError) 診断
一見ランダムなファイル破損に見えても、多くは保存途中の Spot 回収、`SIGKILL`、または Lustre/NFS タイムアウトによる不完全書き込みが原因です。
代表的なログシグネチャ
EOFError: Ran out of input / RuntimeError: PytorchStreamReader failed reading zip archive: failed finding central directory根本原因と二次症状の見分け方
チェックポイント書き込みはアトミックでない実装だと、ノード停止時に一部シャードだけ中途半端な ZIP/Safetensors 状態で残ります。なおファイルサイズが 0 でないだけでは健全性の証明にはなりません。
再起動・再試行前に収集すべき証拠コマンド
dmesg -T | grep -i -E "lustre|nfs|ext4|nvme|i/o error|quota"
python3 -c "import zipfile; print(zipfile.ZipFile('model_shard_12.pt').testzip())"
ls -la --time-style=full-iso checkpoints/step_8000/安全な切り分けと復旧ステップ
- 書き込み終了時刻と `dmesg` のファイルシステム/Lustre エラー、オーケストレータのプリエンプションログを照合します。
- `zipfile.testzip()` や Safetensors ヘッダー検査・ハッシュ照合で整合性を検証します。
- テンポラリファイル作成後にリネームするアトミック保存と `fsync` へ切り替えます。
登録不要のライブ診断
お手元のログで最初の故障原因を無料チェック
生ログを貼り付けると、ブラウザ内で機密値を自動マスクして起点ノードや二次エラーを切り分けます。
アップロード前に クラウドでのデータ取り扱いと完全ローカル実行の選択肢 をご確認ください。
training_logs.txt
手元にログがない場合はサンプルでお試しください:
ログファイルを選択してください。大きなファイルはブラウザ内で整形され、抽出された証跡のみが診断に送信されます。
1日3回まで無料のクラウド診断
よくある質問
ファイルサイズが他ノードとほぼ同じならそのまま学習再開できますか?
いいえ。ファイルサイズの一致だけでは末尾欠損やヘッダー不整合を否定できないため、ZIP 検査やチェックサム検証を行ってください。
Spot インスタンス回収時の破損を防ぐには?
非同期チェックポイントと終了通知シグナル時の安全退避、アトミックリネームを組み合わせてください。
関連する日本語 GPU 障害ガイド
ホスト RAM OOM-killer (SIGKILL / exit 137) 診断NCCL Watchdog タイムアウト原因特定ガイド学習 Loss NaN / 勾配 Inf 発散 トリアージガイド無料 LLM VRAM 計算機で試算
英語版の完全データベース詳細:English Technical Reference を開く
Denpex を 30 日間お試し。 無料。
クレジットカード不要。自動課金なし。すでに原因をご存じのインシデントで Denpex の精度を検証できます。
30日間の無料 Team 評価を開始
30日間、1日最大50件まで診断可能。法人メールアドレスを認証して利用を開始し、解決済みインシデントを再実行して根拠と次アクションをチームの確定原因と比較できます。