File contents 常见问题排查
当用户遇到报错时触发。先匹配错误模式，再给出修复方案。
错误模式
错误现象
可能原因
修复方向
rocminfo 找不到 GPUROCm 未正确安装或 GPU 不兼容
先查 docs/zh/00-environment/rocm-gpu-architecture-table.md / docs/en/00-environment/rocm-gpu-architecture-table.md，再对照环境教程重装
torch.cuda.is_available() 返回 FalsePyTorch 不是 ROCm 版本
先查 docs/zh/04-references/index.md / docs/en/04-references/index.md 的 PyTorch ROCm 官方安装入口，再对照环境教程重装
显存不足 (OOM)
batch size 过大或模型过大
减小 batch size、开启 gradient accumulation、启用 DeepSpeed ZeRO、使用 LoRA
HIP 编译错误
ROCm 版本与代码不匹配
确认 hipcc --version，参考 03-Infra/ 对应章节的 API 版本
Permission denied用户权限不足
检查 Docker 用户组（sudo usermod -aG docker $USER），或文件权限
多卡训练速度不理想
通信瓶颈
rocm-bandwidth-test 检查带宽（ROCm 7.14+ 已 EOL，改用 TransferBench 或 RVS），确认 NCCL_DEBUG=INFO（或 HIP 等效环境变量）
通用排查流程
先确认硬件：rocminfo / rocm-smi（ROCm 7.14+ 用 amd-smi）
再确认软件：python -c "import torch; print(torch.__version__)"
检查项目 FAQ：大部分 README 文末有 <details> FAQ 折叠区
查 AMD 官方：优先通过 docs/zh/04-references/index.md / docs/en/04-references/index.md 的框架与推理服务表进入对应官方安装说明，再查 https://rocm.docs.amd.com/ 或 ROCm GitHub Issues
如果仍无法定位问题，可加入故障排查与常见问题社区讨论：https://zcnijjcepfie.feishu.cn/docx/R2a4dDRUBoo1R2x7mOjcPpPPnOO
1 --- 2 name: hello-rocm-troubleshooting 3 description: 跨画像常见问题排查 —— 错误模式识别和修复建议 4 --- 5 6 # 常见问题排查 7 8 当用户遇到报错时触发。先匹配错误模式，再给出修复方案。 9 10 ## 错误模式 11 12 | 错误现象 | 可能原因 | 修复方向 | 13 |---------|---------|---------| 14 | `rocminfo` 找不到 GPU | ROCm 未正确安装或 GPU 不兼容 | 先查 `docs/zh/00-environment/rocm-gpu-architecture-table.md` / `docs/en/00-environment/rocm-gpu-architecture-table.md`，再对照环境教程重装 | 15 | `torch.cuda.is_available()` 返回 False | PyTorch 不是 ROCm 版本 | 先查 `docs/zh/04-references/index.md` / `docs/en/04-references/index.md` 的 PyTorch ROCm 官方安装入口，再对照环境教程重装 | 16 | 显存不足 (OOM) | batch size 过大或模型过大 | 减小 batch size、开启 gradient accumulation、启用 DeepSpeed ZeRO、使用 LoRA | 17 | HIP 编译错误 | ROCm 版本与代码不匹配 | 确认 `hipcc --version`，参考 `03-Infra/` 对应章节的 API 版本 | 18 | `Permission denied` | 用户权限不足 | 检查 Docker 用户组（`sudo usermod -aG docker $USER`），或文件权限 | 19 | 多卡训练速度不理想 | 通信瓶颈 | `rocm-bandwidth-test` 检查带宽（ROCm 7.14+ 已 EOL，改用 `TransferBench` 或 RVS），确认 `NCCL_DEBUG=INFO`（或 HIP 等效环境变量） | 20 21 ## 通用排查流程 22 23 1. 先确认硬件：`rocminfo` / `rocm-smi`（ROCm 7.14+ 用 `amd-smi`） 24 2. 再确认软件：`python -c "import torch; print(torch.__version__)"` 25 3. 检查项目 FAQ：大部分 README 文末有 `<details>` FAQ 折叠区 26 4. 查 AMD 官方：优先通过 `docs/zh/04-references/index.md` / `docs/en/04-references/index.md` 的框架与推理服务表进入对应官方安装说明，再查 `https://rocm.docs.amd.com/` 或 ROCm GitHub Issues 27 5. 如果仍无法定位问题，可加入故障排查与常见问题社区讨论：`https://zcnijjcepfie.feishu.cn/docx/R2a4dDRUBoo1R2x7mOjcPpPPnOO`
commit 00e8b9c1cd
Frequently asked questions How do I install the Hello Rocm Troubleshooting skill? Run npx skillmds@latest add datawhalechina/hello-rocm-troubleshooting in your terminal (requires Node.js), paste this page's agent-chat prompt into Claude, Cursor, or any MCP-connected agent, or download the SKILL.md file and copy it into your agent's skills directory.
What does the Hello Rocm Troubleshooting skill do? 跨画像常见问题排查 —— 错误模式识别和修复建议 It is listed under Coding & Dev Tools on SkillMD.
Is Hello Rocm Troubleshooting safe to use? This skill has not completed SkillMD's automated safety review yet. SkillMD never runs a skill's scripts for you; review the SKILL.md before installing.
Which AI agents work with Hello Rocm Troubleshooting? This skill is tagged as working with Claude Code, Claude.ai, OpenAI Codex. SKILL.md is an open format, so most agents that read a skills directory can load it too.
Is Hello Rocm Troubleshooting free to use? Yes. Installing skills from SkillMD is free, and the skill stays under its author's original license.
Who published Hello Rocm Troubleshooting? datawhalechina (@datawhalechina) published this skill. Their other Agent Skills are listed on their SkillMD profile.
datawhalechina