顯存容量 / 配置器碎片
CUDA out of memory (GPU 顯存耗盡與碎片) 排查指南
雖然畫面皆顯示顯存不足,但實務上常見兩種狀況:HBM 容量確實見底,或 PyTorch 配置器內部產生記憶體碎片導致無法切出連續區塊。
典型日誌特徵
torch.OutOfMemoryError: CUDA out of memory. Tried to allocate 2.00 GiB (GPU 0; 79.15 GiB total capacity; 75.80 GiB already allocated; 1.12 GiB free)根本原因與連鎖症狀辨析
若錯誤中的 `allocated` 遠低於顯示卡上限,而 `reserved` 幾乎佔滿顯存,代表記憶體碎片化;若兩者皆逼近上限,則須縮減批次、上下文或增加張量並行。
重開機前務必先保存的取證指令
nvidia-smi --query-compute-apps=pid,process_name,used_memory --format=csv
export PYTORCH_CUDA_ALLOC_CONF="expandable_segments:True,max_split_size_mb:128"
python3 -c "import torch; print(torch.cuda.memory_summary())"安全排查與修復步驟
- 比對報錯訊息內的 `already allocated` 與 `reserved in total by PyTorch`,先確認是否為碎片化。
- 若保留與實際配置差距甚大,請加入 `PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True` 重試。
- 確屬容量不足時,可啟用 activation checkpointing、降低微批次、或擴展 TP/FSDP 節點數。
training_logs.txt
手邊沒有日誌?點此載入範例:
大型日誌檔會在您的瀏覽器本機端先濃縮擷取,執行診斷時僅送出關鍵證據片段。
每日 3 次免費雲端診斷額度
常見問題
nvidia-smi 顯示還有好幾 GB 可用卻報 CUDA OOM 是為什麼?
可能是現有保留區塊被切碎無法配出大型連續張量,或同台機器另有行程正佔用同一張顯示卡。
如何在部署前預先試算需要多少張 GPU?
請使用 Denpex 繁體中文顯存計算機(/zh-tw/vram-calculator)即時估算權重與 KV 快取。
相關繁體中文 GPU 排錯指南
vLLM KV 快取不足 (No available memory for the cache blocks)主機 RAM OOM-killer (SIGKILL / exit 137) 診斷NCCL Watchdog 逾時排查與根因節點隔離開啟免費 LLM 顯存計算機
英文完整知識庫條目:檢視完整英文參考 (English)
免費試用 Denpex 30 天。完全免費。
無需信用卡,無自動續訂。使用團隊已結案的故障日誌親自驗證診斷精準度。
開啟 30 天免費 Team 團隊評估
30 天內每日最多 50 次診斷。驗證企業工作信箱即可啟用試用,重現已解決的歷史故障並將根因證據與團隊確認結論比對。