帮人调通一张国产加速卡，过程记下来

我对比了网上两篇讲海光深算 DCU 的教程，一篇是飞桨的官方文档，一篇是个人博客，然后找了台带卡的机器实际跑了一遍。目标是让机器认出一张图上的字。\n\n选文字识别当第一个任务，原因简单。它对算力要求不高，出结果快，失败了也容易判断卡在哪一步。\n\n先把概念说清楚。DCU 是海光做的加速卡，插在服务器里，专门干 AI 那类计算。你可以把它理解成一块国产的计算板卡，跟显卡是同类东西，但不能插到台式机上当显卡用。它走 GPGPU 架构，生态上兼容 ROCm 那一套，据说底层是通过 HIP 接口做的转换，所以原来在 CUDA 上跑的代码，改一改能迁过来。\n\n第一步，确认机器认不认这张卡。\n\n登录进服务器，先别急着装东西。海光的工具链跟 ROCm 一路，卡状态一般用那套 smi 工具看。我这边敲下去，跳出来的是一张表，有卡号、温度、显存占用。卡号那一列有数字，显存占用接近零，说明驱动是活的。\n\n如果这一列是空的，或者直接报找不到设备，先别往下走。多半是驱动没装，或者容器没把卡透进去。\n\n第二步，把镜像拉下来。\n\n海光这边跑飞桨的模型，路子是现成的。PaddleOCR-VL 有专门给 DCU 做的镜像，大小在 22 GB 左右。这个体积要有个心理准备，网络慢的话，一两个小时很正常。\n\n这里我第一次踩坑。中途断了一次，重新拉的时候它不续传，从头再来。后来我换了个办法，先把镜像拉到本地，再导入，比直接拉稳。\n\n第三步，起服务。\n\n拉完镜像，跑起来。这一步的界面就是一串日志往上滚。要盯最后几行，看它有没有把模型加载进去，端口有没有起来。我这边大概等了三四分钟，日志停在一个本地端口上。\n\n然后另开一个窗口，发一张图片过去。返回的是一段带位置的文字，每个识别出来的词后面跟着坐标框。\n\n踩坑的事单独说。\n\n最大的坑在容器里挂卡。如果这台机器多人共用，DCU 一般会做虚拟化切分。每个容器最多只能挂一个虚拟 DCU 设备，想在一个容器里塞两张，就得把复用关掉。\n\n还有一个更隐蔽的。init container 里不能用 DCU 复用，用了这个任务根本不会被调度。我一开始就卡在这，日志什么都不报，任务一直挂着。查了半天才看到这条限制。\n\n这个坑的特点是没有任何报错，只能靠经验或者翻文档。新手很容易以为是自己镜像写错了，然后一遍遍重拉那个 22 GB 的镜像。\n\n把四个环节对着走一遍。认卡就是跑 smi 工具，我这边正常，列是空的先查驱动。拉镜像文档上写一条命令，实际断了要重来，我的办法是先拉到本地再导入。起服务就是等日志，等了三四分钟，盯端口那行。挂卡文档上写配注解，实际 init container 里不生效，别在 init 里开复用。\n\n优点这边，流程是现成的，飞桨和 DCU 已经互证过，镜像拿来就能用，第一次上手不用调参数。\n\n缺点这边，镜像体积大，网络一断就得重来；有些限制条件不报错，排查全靠翻文档。\n\n这套流程能跑通，前提是机器是别人配好的。从裸机开始装驱动、装容器运行时，那是另一篇文章的量。教程里最难的部分是那些不报错的限制条件。\n\n镜像体积是另一件容易吃亏的事。22 GB 听起来只是个数字，等你断一次重来，就知道它意味着什么。\n\n接下来可以换成你自己的图片跑一批，看识别率。再往后，可以把这套服务接进一个批量脚本，让文件夹里的图自动过一遍。手头有别的飞桨模型的话，流程大同小异，换个镜像就行。\n\n多人共用的卡，切分之后算力按什么规则分，这个我还没搞清楚，你们那边是怎么管的。