多GPU系统中的CUDA设备不可用问题

我们在使用多GPU系统时遇到了CUDA设备不可用的问题，详细情况如下：

问题描述： 我们在一台配备有8块NVIDIA GeForce RTX 3090显卡的服务器上运行CUDA程序时，遇到了如下错误：

cudaErrorDevicesUnavailable: CUDA-capable device(s) is/are busy or unavailable

使用 nvidia-smi 命令检查时，发现所有GPU的利用率为0。

系统配置：

操作系统：Windows 11

GPU型号：NVIDIA GeForce RTX 3090 x 8

驱动程序版本：556.12

CUDA工具包版本：12.5

我已尝试的解决方案：

检查GPU状态： 使用 nvidia-smi 查看当前GPU的使用情况，所有GPU的利用率为0。

重启系统： 多次重启服务器，但问题依旧存在。

确认管理员权限： 以管理员身份运行命令提示符和相关程序。

检查并更新驱动程序： 确保安装了最新的NVIDIA驱动程序，并重新安装了CUDA工具包，版本匹配且为最新。

限制使用特定GPU： 修改环境变量 CUDA_VISIBLE_DEVICES 限制CUDA程序只使用特定的GPU进行测试，问题依旧。

终止不必要的进程： 使用 nvidia-smi 查看并终止了所有可能占用GPU资源的进程，仍未解决问题。

检查和调整BIOS设置（没有尝试，但是在CUDA版本修改之前就是禁用集成显卡的，任然出现该问题）： 进入BIOS/UEFI，确保所有PCIe插槽设置为“Auto”或“Gen3”，并禁用了所有不必要的集成显卡。

测试其他CUDA示例程序： 使用CuPy和PyTorch编写并运行其他简单的CUDA程序，均出现相同错误。

以下是我们使用的测试代码和错误信息：

import osimport cupy as cpos.environ['CUDA_VISIBLE_DEVICES'] = '0'  # 只使用第一个GPUtry:    start = cp.cuda.Event()    end = cp.cuda.Event()    print("CUDA event created successfully.")    del start    del end    print("CUDA event destroyed successfully.")except cp.cuda.runtime.CUDARuntimeError as e:    print(f"CUDA error: {e}")device = cp.cuda.Device(0)  # 使用第一个GPUtry:    free_memory, total_memory = device.mem_info    print(f"Device 0: Free Memory: {free_memory / (1024 ** 2):.2f} MB")    print(f"Device 0: Total Memory: {total_memory / (1024 ** 2):.2f} MB")except cp.cuda.runtime.CUDARuntimeError as e:    print(f"CUDA error: {e}")

错误信息：

cudaErrorDevicesUnavailable: CUDA-capable device(s) is/are busy or unavailable

我们已尝试了多种解决方法，但问题仍未解决。