运维监控 GPU 的alive的存活状态
发现了一下一些坑

1 供电不足导致 gpu掉线。

我们用的是 1080， 结果功率低于500W， 不足以支撑 gpu，风扇，等配套硬件的功率， 所以导致gpu掉线。
最后，增加供电功率。

2 nvidia-smi 检查存活状态及温度时， 命令延迟

  1. nvidia-smi

这条命令就一直卡在那， 最后借用 timeout 这个命令， 超时自动kill ，