使用GPU的容器运行了一个训练任务，一段时间以后查看训练任务失败，进POD容器内执行nvidia-smi返回"Failed to initialize NVML: Unknown Error"。

目前该问题是一个已知问题，是由于在docker环境中daemon.json文件中配置了

01.
"exec-opts": ["native.cgroupdriver=systemd"]

同时通过systemctl daemon-reload等命令守护进程重载命令，导致容器化的GPU工作负载可能会突然失去对GPU的访问，GPU目前不提供自动创建重新链接设备的符号的创建，从而出现以上问题。

目前唯一在docker上唯一解决的方法是cgroup驱动不要使用systemd，修改成以下配置

01.
"exec-opts": ["native.cgroupdriver=cgroupfs"]

另外有些containerd环境可能也有上述问题，但是我本地使用的container1.7.10这个版本没有复现该问题，但是在docker环境下100%复现，环境是否存在这个问题可以通过以下方式复现，在POD中添加

01.
command: ["bash", "-c"]
02.
args: ["while true; do nvidia-smi -L; sleep 3; done;"]

然后创建POD容器

01.
kubectl logs -f -n <namespace> <pod_name>
02.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)
03.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)
04.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)

这时我们在宿主机执行daemon-reload命令

01.
systemctl daemon-reload

然后再此查看POD容器日志

01.
kubectl logs -f -n <namespace> <pod_name>
02.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)
03.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)
04.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)
05.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)
06.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)
07.
GPU 0: NVIDIA GeForce RTX 2060 (UUID: GPU-c455907b-b566-3bf7-e873-8115c0fb869a)
08.
Failed to initialize NVML: Unknown Error
09.
Failed to initialize NVML: Unknown Error
10.
Failed to initialize NVML: Unknown Error

这样就复现了该问题，该问题可以查看github:https://github.com/NVIDIA/nvidia-container-toolkit/issues/48