hello-rocm-troubleshooting

name	hello-rocm-troubleshooting
description	跨画像常见问题排查 —— 错误模式识别和修复建议
version	0.1.0

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 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
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
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

1. 先确认硬件：rocminfo / rocm-smi（ROCm 7.14+ 用 amd-smi）
2. 再确认软件：python -c "import torch; print(torch.__version__)"
3. 检查项目 FAQ：大部分 README 文末有 <details> FAQ 折叠区
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
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