GPU实例支持安卓模拟器吗？
仅部分GPU实例支持安装安卓模拟器。
除GPU计算型弹性裸金属服务器实例规格族ebmgn7e、ebmgn7ex、ebmgn7i、ebmgn7、ebmgn6ia、ebmgn6e、ebmgn6v、ebmgn6i以及sccgn7ex支持安卓模拟器外，其他类型的GPU实例均不支持安卓模拟器。
GPU实例的配置支持变更吗？
仅部分GPU实例的配置支持变更。
详细的实例规格变配支持情况，请参见规格变更限制与自检。
普通ECS实例规格族是否支持升级或变更为GPU实例规格族？
普通ECS实例规格族不支持直接升级或变更为GPU实例规格族。
详细的实例规格变配支持情况，请参见规格变更限制与自检。
如果您的业务涉及AI推理相关内容，您可以购买弹性加速计算实例EAIS，通过该服务实现为ECS实例远程增加GPU显卡的效果。EAIS能够将CPU资源与GPU资源解耦，帮助您将GPU资源附加到ECS实例上，构建成您希望得到的GPU实例规格。关于弹性加速计算实例EAIS的更多信息，请参见什么是弹性加速计算实例EAIS。
如何在GPU实例和普通ECS实例间传输数据？
无需特别设置即可传输数据。
GPU实例除了GPU加速能力外，保留了与普通ECS实例一致的使用体验。同一安全组内的GPU实例和ECS实例之间默认内网互通，所以您无需特别设置。
GPU与CPU有什么区别？
GPU与CPU的对比如下表所示：
对比项 | GPU | CPU |
算术运算单元（ALU） | 拥有大量擅长处理大规模并发计算的算术运算单元（ALU）。 | 拥有强大的算术运算单元（ALU），但数量较少。 |
逻辑控制单元 | 拥有相对简单的逻辑控制单元。 | 拥有复杂的逻辑控制单元。 |
缓存 | 拥有很少的缓存，且缓存用于服务线程，而不是用于保存访问的数据。 | 拥有大量的缓存结构，能够将数据保存至缓存，从而提高访问速度，降低时延。 |
响应方式 | 需要将全部任务整合后，再进行批处理。 | 实时响应，对单个任务的响应速度较高。 |
适用场景 | 适用于计算密集，相似度高，且多线程并行的高吞吐量运算场景。 | 适用于对响应速度有要求，且逻辑复杂的串行运算场景。 |
购买GPU实例后，为什么执行nvidia-smi命令找不到GPU显卡？
问题原因：当您执行nvidia-smi命令无法找到GPU显卡时，通常是由于您的GPU实例未安装或者未成功安装Tesla或GRID驱动。
解决措施：请根据您所购买的GPU实例规格选择对应的操作来安装相应驱动，才能正常使用GPU实例的高性能特性。具体说明如下：
如何查看GPU显卡的详细信息？
不同操作系统的GPU实例，查看GPU显卡信息的操作有所不同，具体说明如下：
说明 如果您需要了解GPU显卡的空闲率、使用率、温度以及功率等信息，可以前往云监控控制台查看。具体操作，请参见GPU监控。
普通ECS实例可以增加GPU显卡吗？
可以。
如果您的业务涉及AI推理相关内容，您需要购买弹性加速计算实例EAIS，该服务能够将CPU资源与GPU资源解耦，帮助您将GPU资源附加到ECS实例上，构建成您希望得到的GPU实例规格，从而实现为ECS实例远程增加GPU显卡。关于弹性加速计算实例EAIS的更多信息，请参见什么是弹性加速计算实例EAIS。
GPU虚拟化型实例需要安装什么驱动？
GPU虚拟化型实例需要安装GRID驱动。
针对通用计算场景或图形加速场景，您可以在创建GPU实例时同步加载GRID驱动，也可以在创建GPU实例后通过云助手方式安装GRID驱动，安装方式如下：
GPU虚拟化型实例是否支持将CUDA升级到12.4或将NVIDIA驱动升级到550以上？
不支持。
虚拟化GPU实例依赖于平台提供的GRID驱动，其版本更新受限，无法随意安装NVIDIA官网驱动。如需升级，可使用gn/ebm系列GPU实例。
在GPU计算型实例上使用OpenGL、Direct3D等工具做图形加速时，需要安装什么驱动？
请根据您所使用的GPU实例的操作系统来安装相应驱动。具体说明如下：
为什么创建GPU实例时选择的CUDA版本与安装完成后查看到的CUDA版本不一致？
您执行命令nvidia-smi查询到的CUDA版本代表您的GPU实例能够支持的最高CUDA版本，并不代表您创建GPU实例时选择的CUDA版本。
GPU实例（Windows系统）安装GRID驱动后，通过控制台VNC远程连接该实例出现黑屏怎么办？
如何获取GRID License?
请根据您使用的操作系统查看对应的获取方式，具体说明如下：
如何升级GPU驱动（Tesla驱动或GRID驱动）？
GPU驱动（Tesla驱动或GRID驱动）不能直接升级版本，需要先卸载之前的旧版本驱动，然后重启系统来安装新版本驱动，具体操作，请参见升级Tesla或GRID驱动。
重要 建议您在业务低峰期升级驱动，升级前请先创建快照备份云盘数据，避免数据丢失，具体操作，请参见手动创建单个快照。
安装 NVIDIA 驱动版本 570.124.xx（Linux）或 572.61（Windows）后系统崩溃，出现kernel NULL pointer dereference错误
问题现象：在部分实例规格中，安装570.124.xx（Linux）/572.61（Windows）版本NVIDIA驱动或安装后执行nvidia-smi命令时，系统报错kernel NULL pointer dereference。日志如下所示：
错误日志
[ 305.164082] BUG: kernel NULL pointer dereference, address: 00000000000000c4
[ 305.164303] #PF: supervisor read access in kernel mode
[ 305.164447] #PF: error_code(0x0000) - not-present page
[ 305.164626] PGD 0 P4D 0
[ 305.164724] Oops: 0000 [#1] SMP NOPTI
[ 305.164852] CPU: 29 PID: 23659 Comm: nv_open_q Kdump: loaded Tainted: G OE 5.10.134-19.1.al8.x86_64 #1
[ 305.165241] Hardware name: Alibaba Cloud Alibaba Cloud ECS, BIOS 2.0.0 04/23/2024
[ 305.165450] RIP: 0010:pci_read_config_dword+0x5/0x40
[ 305.165630] Code: 44 89 c6 e9 5d fc ff ff b8 ff ff ff ff 66 89 02 b8 86 00 00 00 c3 cc cc cc cc 66 66 2e 0f 1f 84 00 00 00 00 00 0f 1f 44 00 00 <83> bf c4 00 00 00 03 48 89 d1 74 12 44 8b 47 38 48 8b 7f 10 89 f2
[ 305.166323] RSP: 0018:ffffbc6ac0f1b9f0 EFLAGS: 00010293
[ 305.166469] RAX: 0000000000000000 RBX: ffff9e9ba33e0020 RCX: 0000000000000002
[ 305.166724] RDX: ffffbc6ac0f1ba0c RSI: 0000000000000000 RDI: 0000000000000000
[ 305.166977] RBP: ffffbc6ac0f1ba10 R08: 0000000000000000 R09: 0000000000000000
[ 305.167243] R10: 00000000000922f8 R11: ffffffffac163048 R12: 0000000000000000
[ 305.167506] R13: 0000000000000001 R14: 0000000000000004 R15: 0000000000000000
[ 305.167766] FS: 0000000000000000(0000) GS:ffff9ef785480000(0000) knlGS:0000000000000000
[ 305.168060] CS: 0010 DS: 0000 ES: 0000 CR0: 0000000080050033
[ 305.168270] CR2: 00000000000000c4 CR3: 0000004130a12003 CR4: 0000000002770ee0
[ 305.168531] DR0: 0000000000000000 DR1: 0000000000000000 DR2: 0000000000000000
[ 305.168793] DR3: 0000000000000000 DR6: 00000000fffe07f0 DR7: 0000000000000400
[ 305.169052] PKRU: 55555554
[ 305.169157] Call Trace:
[ 305.169252] ? __die+0x20/0x70
[ 305.169372] ? no_context+0x5f/0x260
[ 305.169504] ? exc_page_fault+0x68/0x130
[ 305.169651] ? asm_exc_page_fault+0x1e/0x30
[ 305.169815] ? pci_read_config_dword+0x5/0x40
[ 305.170080] os_pci_read_dword+0x12/0x30 [nvidia]
[ 305.170357] ? osPciReadDword+0x15/0x20 [nvidia]
[ 305.170637] gpuReadPcieConfigCycle_GB202+0x66/0xd0 [nvidia]
[ 305.170962] kbifSavePcieConfigRegistersFn1_GB202+0x65/0xc0 [nvidia]
[ 305.171297] kbifSavePcieConfigRegisters_GH100+0xd2/0x1e0 [nvidia]
[ 305.171619] kbifStateLoad_IMPL+0xa1/0xe0 [nvidia]
[ 305.171893] gpuStateLoad_IMPL+0x267/0xd60 [nvidia]
[ 305.172129] ? _rmGpuLocksAcquire.constprop.0+0x352/0xbf0 [nvidia]
[ 305.172375] ? portSyncSpinlockAcquire+0x1d/0x50 [nvidia]
[ 305.172585] ? _tlsThreadEntryGet+0x82/0x90 [nvidia]
[ 305.172780] ? tlsEntryGet+0x31/0x80 [nvidia]
[ 305.172979] gpumgrStateLoadGpu+0x5b/0x70 [nvidia]
[ 305.173209] RmInitAdapter+0xf08/0x1c00 [nvidia]
[ 305.173433] ? os_get_current_tick+0x28/0x70 [nvidia]
[ 305.173671] rm_init_adapter+0xad/0xc0 [nvidia]
[ 305.173845] nv_start_device+0x2a9/0x6f0 [nvidia]
[ 305.174328] ? nv_open_device+0x9b/0x220 [nvidia]
[ 305.174791] ? nvidia_open_deferred+0x3c/0x100 [nvidia]
[ 305.175248] ? nvidia_modeset_resume+0x20/0x20 [nvidia]
[ 305.175705] ? _main_loop+0x9e/0x160 [nvidia]
[ 305.176128] ? nvidia_modeset_resume+0x20/0x20 [nvidia]
[ 305.176527] ? kthread+0x118/0x140
[ 305.176869] ? __kthread_bind_mask+0x60/0x60
[ 305.177230] ? ret_from_fork+0x1f/0x30
[ 305.177575] Modules linked in: nvidia_drm(OE) nvidia_modeset(OE) nvidia(OE) ecc rfkill intel_rapl_msr intel_rapl_common intel_uncore_frequency_common isst_if_common skx_edac_common nfit intel_powerclamp crct10dif_pclmul crc32_pclmul ghash_clmulni_intel rapl snd_intel8x0 snd_ac97_codec ac97_bus snd_pcm erdma snd_timer ib_uverbs snd soundcore ib_core virtio_balloon pcspkr i2c_piix4 sunrpc vfat fat cirrus drm_kms_helper syscopyarea sysfillrect sysimgblt fb_sys_fops drm nvme libcrc32c virtio_net crc32c_intel net_failover nvme_core serio_raw i2c_core failover virtio_console t10_pi floppy [last unloaded: ecc]
[ 305.180787] CR2: 00000000000000c4
[ 305.181132] ---[ end trace 85d65b7e0a10dcf8 ]---
[ 305.181512] RIP: 0010:pci_read_config_dword+0x5/0x40
[ 305.181903] Code: 44 89 c6 e9 5d fc ff ff b8 ff ff ff ff 66 89 02 b8 86 00 00 00 c3 cc cc cc cc 66 66 2e 0f 1f 84 00 00 00 00 00 0f 1f 44 00 00 <83> bf c4 00 00 00 03 48 89 d1 74 12 44 8b 47 38 48 8b 7f 10 89 f2
[ 305.183045] RSP: 0018:ffffbc6ac0f1b9f0 EFLAGS: 00010293
[ 305.183463] RAX: 0000000000000000 RBX: ffff9e9ba33e0020 RCX: 0000000000000002
[ 305.183955] RDX: ffffbc6ac0f1ba0c RSI: 0000000000000000 RDI: 0000000000000000
[ 305.184443] RBP: ffffbc6ac0f1ba10 R08: 0000000000000000 R09: 0000000000000000
[ 305.184931] R10: 00000000000922f8 R11: ffffffffac163048 R12: 0000000000000000
[ 305.185415] R13: 0000000000000001 R14: 0000000000000004 R15: 0000000000000000
[ 305.185913] FS: 0000000000000000(0000) GS:ffff9ef785480000(0000) knlGS:0000000000000000
[ 305.186426] CS: 0010 DS: 0000 ES: 0000 CR0: 0000000080050033
[ 305.186870] CR2: 00000000000000c4 CR3: 0000004130a12003 CR4: 0000000002770ee0
[ 305.187363] DR0: 0000000000000000 DR1: 0000000000000000 DR2: 0000000000000000
[ 305.187866] DR3: 0000000000000000 DR6: 00000000fffe07f0 DR7: 0000000000000400
[ 305.188361] PKRU: 55555554
[ 305.188719] Kernel panic - not syncing: Fatal exception
[ 305.190378] Kernel Offset: 0x29000000 from 0xffffffff81000000 (relocation range: 0xffffffff80000000-0xffffffffbfffffff)
解决方案：请避免使用570.124.xx（Linux）/572.61（Windows）版本驱动，推荐使用570.133.20（Linux）/572.83（Windows）或更高版本。
如何查看GPU实例的资源使用量（vCPU、网络流量、带宽以及磁盘等）？
如需查看实例的vCPU使用率、内存、系统平均负载、内网带宽 、公网带宽、网络连接数、磁盘使用与读取、GPU使用率，显存使用量、GPU功率等监控数据，请通过以下方法查询。
如何安装cGPU服务？
无论您是企业认证用户还是个人实名认证用户，推荐您通过ACK的Docker运行时环境安装和使用cGPU服务。具体操作，请参见管理共享GPU调度组件。
说明