3步跑通 gpu-burn多GPU CUDA 压力测试实战【免费下载链接】gpu-burnMulti-GPU CUDA stress test项目地址: https://gitcode.com/gh_mirrors/gp/gpu-burngpu-burn 是一款面向多 GPU 环境的 CUDA 压力测试工具它能同时让系统里所有 NVIDIA GPU 跑高负载计算与显存测试并顺带校验计算结果。适合新服务器验收、GPU 故障定位、显存稳定性验证这几类场景读者只需要会一点基础命令行操作就能上手。 从零到跑通获取源码git clone https://gitcode.com/gh_mirrors/gp/gpu-burn cd gpu-burn构建makeMakefile 会自动探测/usr/bin/nvcc或/usr/local/cuda多数环境直接出结果。非默认环境用下面的参数覆盖参数作用示例CUDAPATH指向 CUDA 工具链目录make CUDAPATH/usr/local/cuda-12.0COMPUTE计算能力Turing 75 / Ampere 86 / Ada 89 / Hopper 90make COMPUTE86CFLAGS/LDFLAGS追加编译与链接参数make CFLAGS-Wall首次运行./gpu_burn -l # 列出所有 GPU ./gpu_burn 300 # 全卡压测 5 分钟先跑 5 分钟确认每张卡都输出 GFLOPS、没有报错再谈长时间测试。 核心能力多卡并行压测默认行为就是同时压测全部 GPU每卡独立输出吞吐。验收一台 8 卡服务器时一条命令覆盖所有卡不用逐张手动切。用 -m 控制显存占用-m X指定 X MB-m N%指定可用显存的 N%。显存本身要当被测对象时比如验超频后的二手机卡这个参数决定测试强度。./gpu_burn -m 4096 1200 # 占用 4GB 显存测试 20 分钟用 -i 指定单卡-i N只在第 N 块 GPU 上执行配合-l的输出定位具体是哪张卡这是故障排查的基本用法。双精度与 Tensor 核心-d切到 double 浮点-tc尝试调用 Tensor 核心。前者能覆盖 FP64 单元后者贴近 AI 负载的实际使用路径./gpu_burn -d 3600 # 双精度压测 1 小时 真实工作流新服务器到货验收阶段跑一轮长时间双精度测试./gpu_burn -d 86400判断标准全程无计算错误报告各卡 GFLOPS 数值稳定且同型号间差异小期间另开终端watch -n 1 nvidia-smi盯温度超过 85°C 建议降档。怀疑某张卡有问题时先-l确认编号再单独压它./gpu_burn -i 2 -m 80% 1800判断标准目标卡报错而其余卡正常问题基本可以锁定到这块卡而不是驱动或系统层面。⚠️ 进阶与排错不想碰本地 CUDA 环境就上容器Dockerfile 做了两阶段构建镜像很干净docker build -t gpu-burn . docker run --rm --gpus all gpu-burn需要固定 CUDA 版本或基础镜像时加--build-arg CUDA_VERSION12.0.0 --build-arg COMPUTE75 --build-arg IMAGE_DISTROubi8。Windows 用户看 win/ 目录要求 CMake 3.18 和 VS2019/2022build.bat -c 86一条命令出可执行文件参数与 Linux 版完全一致。常见问题编译报找不到 nvcc→make CUDAPATH/usr/local/cuda-12.0目标卡较老或较新默认计算能力不匹配→make COMPUTE75或 90压测中温度过高→ 降低显存占比如./gpu_burn -m 50% 3600 收尾与延伸gpu-burn 的定位是烤机它能告诉你卡稳不稳、结果对不对但不能告诉你为什么坏——报错之后还需要结合nvidia-smi和驱动日志继续查。深入细节看 README.md 的构建参数说明、gpu-burn.8 的完整选项手册核心内核逻辑在 compare.cu 里篇幅不长值得读一遍。【免费下载链接】gpu-burnMulti-GPU CUDA stress test项目地址: https://gitcode.com/gh_mirrors/gp/gpu-burn创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
