你可能遇到过这种情况：你正沉浸在游戏或渲染一些高负载任务中，突然屏幕冻结，但声音仍在继续。这种情况令人沮丧，看起来像是电脑崩溃了，但实际上是显卡驱动程序出现故障，系统正在尝试重启设备，但有时会失败。
了解 AMD GPU 的恢复过程至关重要，这样可以避免每次出现错误时都必须强制关机。根据您使用的是 Windows、Linux 发行版还是带有 ROCm 的高级计算环境，解决方案从简单的键盘快捷键到服务器上复杂的硬件隔离配置不等。
Windows 系统中 GPU 重置：快速解决方案
在运行 Windows 10 和 11 的现代系统中，有一个名为 TDR（超时检测和恢复）的功能，它会在检测到驱动程序无响应时尝试自动重启驱动程序。但是，当此操作失败时，我们就会遇到问题。 非常有用的秘密快捷方式 同时按下 Win + Ctrl + Shift + B执行此操作时，屏幕会短暂闪烁，因为系统正在刷新图形驱动程序。
如果键盘无响应或问题仍然存在，您可以尝试打开设备管理器，找到“显示适配器”部分，右键单击 GPU，禁用该设备，然后再重新启用它。这将强制手动重新安装驱动程序。在更严重的情况下，例如驱动程序已损坏，最好在安全模式下使用 DDU（显示驱动程序卸载程序）等工具进行全新安装，然后再从 AMD 网站下载最新驱动程序版本并配置电脑上的硬件组件。
Linux 和高性能环境下的恢复
在 Linux 系统中，情况变得更加复杂。当…… amdgpu_job_timedout内核尝试重置 IP 块。有时重置会成功。 软复位这样做最理想，因为它不会擦除显存，但如果失败，系统会采取其他措施。 完全重置问题是，即使日志显示重置成功，桌面环境（如带有 X11 的 KDE）也可能冻结，导致用户无法使用鼠标或键盘，并强制进行物理重启。
对于使用 AMD Instinct 和 XGMI 连接的用户来说，情况更为复杂。单个 GPU 的重置可能会影响共享同一“集群”的其他 GPU。为防止故障导致整个系统崩溃，建议采取以下措施。 使用容器、cgroups 或虚拟机直通进行隔离仅仅使用变量是不够的，例如 ROCR_VISIBLE_DEVICES因为这些是用户过滤器，不会在内核级别创建真正的屏障。
先进的隔离和康复策略
为了最大限度地提高服务器可用性，最佳实践是为每个 XGMI 集群分配一个工作负载。如果使用虚拟化，通过 VFIO 实现 PCIe 直通是最可靠的选择，因为虚拟机管理自己的内核和 ROCm 协议栈，从而限制了崩溃的“突发半径”。一些用户，例如在 Unraid 等环境中，甚至会在关闭虚拟机之前使用virsh 脚本来解耦 PCI 设备，以防止主机发生内核崩溃。
当计算应用程序重置时，它不能简单地继续运行。它必须关闭所有处理程序，重新打开 /dev/kfd 设备，并重新分配内存和内核。为了加快这一过程，一些开发者将 GPU 状态保存到主机内存中，从而实现更快的重新初始化。
对传统硬件（GCN）的改进
并非全是新软件；Valve 团队也在努力改进使用旧版 GCN 架构的系统。他们正在为GFX8 IP 模块（例如 Polaris 或 Fiji）启用软复位支持，这将允许仅重置图形部分而不会丢失显存，从而显著改善旧硬件上的用户体验。
制定清晰的行动计划，从 Windows 键盘快捷键到 Instinct 服务器上的集群分段，有助于减少停机时间。关键在于识别故障是暂时的驱动程序故障，还是由超频或过热引起的稳定性问题，然后根据错误的严重程度应用相应的恢复策略，以在无需频繁重启计算机的情况下维持系统稳定性。
