以太坊cudaerror
『壹』 CUDA程序出错“no instance of overloaded function“，求解决办法
cudaMallocPitch函数原型是下面这样的：
cudaError_t cudaMallocPitch (void ** devPtr, size_t * pitch, size_t width, size_t height)
你的pitch是不是size_t类型的，看上面好像你写成int了，改成size_t试试。再不行的话，把后面两个参数也用size_t类型的试试。
『贰』 CUDA程序报错 invalid argument
cudaSafeCall（） Runtime API error in file...../matrix.cu,line 20: invalid argument 非法的值，数组出界
20行用的数组出界
『叁』 请教cuda error
如果用的是Windows中的Visual Studio的Nsight插件，可以在kernel中设置断点，然后选择Nsight插件中的Start CUDA Debugging来看出错的语句。
如果是Mac或Linux，请考虑使用CUDA-GDB。
另，在每次调用完kernel后写一句话可以检查基本的kernel调用错误，例如
//
#definegetLastCudaError(msg)__getLastCudaError(msg,__FILE__,__LINE__)
inlinevoid__getLastCudaError(constchar*errorMessage,constchar*file,constintline)
{
cudaError_terr=cudaGetLastError();
if(cudaSuccess!=err)
{
fprintf(stderr,"%s(%i):getLastCudaError()CUDAerror:%s:(%d)%s. ",
file,line,errorMessage,(int)err,cudaGetErrorString(err));
DEVICE_RESET
exit(EXIT_FAILURE);
}
}
#endif
kernel<<<1,1>>>();
getLastCudaError("ErrorinCalling'kernel'");
『肆』 如何解决CUDA error的问题
cuda中有cudaError_t这个类别，可以记录cuda错误。所有的cuda库函数，几乎都返回一个cudaError_t。
《GPU高性能编程》中使用HANDLE_ERROR宏函数，处理每个函数返回的cudaerror
static void HandleError( cudaError_t err,const char *file,int line ) {
if (err != cudaSuccess) {
printf( "%s in %s at line %d\n", cudaGetErrorString( err ), file, line );
exit( EXIT_FAILURE );
}
}
『伍』 cuda中kernel挂掉了，怎么查错
如果用的是Windows中的Visual Studio的Nsight插件，可以在kernel中设置断点，然后选择Nsight插件中的Start CUDA Debugging来看出错的语句。
如果是Mac或Linux，请考虑使用CUDA-GDB。
另，在每次调用完kernel后写一句话可以检查基本的kernel调用错误，例如
//
#definegetLastCudaError(msg)__getLastCudaError(msg,__FILE__,__LINE__)
inlinevoid__getLastCudaError(constchar*errorMessage,constchar*file,constintline)
{
cudaError_terr=cudaGetLastError();
if(cudaSuccess!=err)
{
fprintf(stderr,"%s(%i):getLastCudaError()CUDAerror:%s:(%d)%s. ",
file,line,errorMessage,(int)err,cudaGetErrorString(err));
DEVICE_RESET
exit(EXIT_FAILURE);
}
}
#endif
kernel<<<1,1>>>();
getLastCudaError("ErrorinCalling'kernel'");
『陆』 cuda中的错误MSB3721怎么解决
我是用的《cuda by example》这本书的案例 编译也遇到这个问题 改了下头文件"book.h"就通过了 。对了 你看下cuda的cu文件属性是不是CUDA C/c++
GPU挖掘
硬件
算法是内存难解的，为了使DAG适合内存，每个GPU需要1-2GB内存，如果你得到错误提示：Error GPU mining. GPU memory fragmentation? 说明你没有足够的内存。GPU挖矿软件是基于OpenCL实现的，AMD GPU会比同一水准的NVIDIA GPU更快。ASIC和FPGA相对低效因而被阻拦。要给芯片集成平台获取openCL，尝试：
AMD SDK openCL
NVIDIA CUDA openCL
Ubuntu Linux设置
对于这个快速指南，你会需要Ubuntu 14.04或15.04以及fglrx图像驱动器。你也可以使用NVidia驱动器和其他平台，但是你必须要找到自己的方式来获得有效的OpenCL安装，比如Genoil的ethminer分叉。
如果你在用15.04，到"软件与更新〉额外的驱动器"设置为"从fglrx为AMD图形加速器使用视频驱动器"。
如果你在用14.04，到"软件与更新〉额外的驱动器"设置为"从fglrx为AMD图形加速器使用视频驱动器"。很遗憾，对于一些人来说，这种方法可能不管用，因为Ubuntu 14.04.02中有个已知的程序错误会阻止你转换到GPU挖矿所必须的专属图形驱动器。
所以，如果你遇到这个程序错误，先到"软件与更新〉更新"选择"预发行的可靠更新提议"。然后，回到"软件与更新〉额外的驱动器"设置为"从fglrx为AMD图形加速器使用视频驱动器"。重启之后，值得检查一下现在确实正确安装了驱动器（例如通过再到"额外驱动器"）。
不管做什么，如果你在用14.04.02，一旦安装之后，就不要改变驱动器或者驱动器配置。例如，aticonfig –initial的使用（尤其是-f, –force选项）会"破坏"你的设置。如果你偶然改变了配置，会需要卸载驱动器，重启，再次安装驱动器并重启。
『捌』 运行Python项目时出现“ cuda runtime error (30) : unknown error ”要怎么解决
R6034出错可能是你安装过像Spyware Doctor这类的反间谍软件，安装这样的软件后会在C:\windows\system32\目录下出现一个名为msvcr80.dll的文件，当卸载这个软件时msvcr80.dll会留在目录里。可以试试把C:\windows\system32\目录下的msvcr80.dll删除，如果装有360安全卫士这类软件，删除时可能会出现一个提示，一定要选允许，不然无法删除。然后点击桌面左下角的开始菜单，点击运行，输入cmd，然后输入for %1 in (%windir%\system32\*.dll) do regsvr32 /s %1，如果怕输错，可复制，然后点击输入cmd后弹出窗口的左上角C:\，点击编辑-粘贴，回车后静待刷屏运行，完毕后再等一会儿直到硬盘指示灯不再闪烁为止，然后重新启动
『玖』 cuda error out of memory 怎么解决
今天刚把服务器搭建起来 结果程序就跑不起来 当时差点把自己吓尿了
错误类型：CUDA_ERROE_OUT_OF_MEMORY
E tensorflow/stream_executor/cuda/cuda_driver.cc:924] failed to alloc 17179869184 bytes on host: CUDA_ERROR_OUT_OF_MEMORY
W ./tensorflow/core/common_runtime/gpu/pool_allocator.h:195] could not allocate pinned host memory of size: 17179869184
Killed
其实很容易理解 大致意思就是 服务器的GPU大小为M
tensorflow只能申请N（N<M）
也就是tensorflow告诉你 不能申请到GPU的全部资源 然后就不干了
解决方法：
找到代码中Session
在session定义前 增加
config = tf.ConfigProto(allow_soft_placement=True)
#最多占gpu资源的70%
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
#开始不会给tensorflow全部gpu资源 而是按需增加
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)
这样就没问题了
其实tensorflow 算是一个比较贪心的工具了
就算用device_id指定gpu 也会占用别的GPU的显存资源 必须在执行程序前
执行 export CUDA_VISIBLE_DEVICES=n（n为可见的服务器编号）
再去执行Python 代码.py 才不会占用别的GPU资源
最近刚开始搞tensorflow 之前都是caffe
这周连续3天被实验室的人 举报 占用过多服务器资源 真是心累 只要用上面的方法
也就是执行代码前 执行 export CUDA_VISIBLE_DEVICES=n
只让1个或者个别GPU可见 其他GPU看不见 就行了