GPU 云实例开机后，应用报“找不到设备”不一定是驱动没装。问题也可能出在虚拟机未挂载设备、内核模块未加载，或容器没有获得宿主机的设备节点。处理“GPU云实例开机后驱动识别失败的诊断步骤”，应从实例系统向容器逐层检查，先确认故障发生在哪一层，再决定是否调整驱动。
先确认操作系统能否看到设备
登录实例后检查 PCI 设备枚举。在 Linux 中可运行 lspci；如果系统没有该命令，可按发行版安装对应的 pciutils 工具。输出中应能找到显卡厂商及设备信息。若完全没有相关设备，优先检查云平台实例规格、GPU 直通或分配状态，以及实例是否真正启动在预期配置上。此时反复安装驱动通常无济于事。
如果设备已列出，再检查驱动。NVIDIA 设备可运行 nvidia-smi 查看设备、驱动版本及运行状态。命令不存在，可能表示驱动工具未安装或路径未配置；若提示无法与驱动通信，则继续检查内核模块。AMD 设备应使用与其软件栈匹配的工具，例如已安装 ROCm 时检查 rocminfo 或 rocm-smi，不要把 NVIDIA 命令的失败当成所有厂商都适用的结论。
按故障层级执行诊断步骤
- 核对实例与系统信息。确认云实例规格包含 GPU，并记录 Linux 发行版、内核版本和设备型号。若近期更换过镜像或升级内核，也要记下变更时间。
- 检查设备节点和模块。运行 lsmod 查看相关驱动模块是否加载；NVIDIA 环境可检查 /dev/nvidia* 是否存在。设备能被 lspci 发现但节点缺失，常见方向是驱动模块未成功加载或初始化失败。
- 查看内核日志。使用 dmesg 搜索驱动名称及 “failed”“module” 等报错线索。若日志显示模块与当前内核不匹配，检查驱动是否针对正在运行的内核构建；内核更新后，旧模块可能无法继续使用。
- 对照驱动与运行库。查看驱动报告的版本，并与应用要求的 CUDA 或 ROCm 版本核对。容器内运行库与宿主机驱动承担不同职责，容器通常通过宿主机提供设备访问；升级容器里的工具包不能替代正确工作的宿主机驱动。
- 最后检查容器映射。先在宿主机运行设备检查命令，再进入容器复测。宿主机可见、容器不可见时，核对容器启动参数、设备权限，以及 NVIDIA Container Toolkit 等运行时是否配置并启用。重新创建容器后也要确认设备映射没有丢失。
区分版本问题与环境差异
同一台实例上，宿主机能识别设备而容器不能，故障重点是容器运行时、设备映射或权限；宿主机本身也不能识别，则应先排查设备分配、驱动模块和内核日志。若容器能看到设备但应用报错，再检查应用所需的 CUDA、ROCm 或框架版本，避免只看驱动版本号就判断兼容。
记录排查结果时，至少保留设备型号、系统内核、驱动版本、容器镜像标签和完整报错。这样可以把“开机后不可用”拆成可复现的问题。按照这套GPU云实例开机后驱动识别失败的诊断步骤逐层定位，比直接重装驱动更容易找到根因，也能减少无关变更。
常见问题
宿主机运行正常，容器里没有设备怎么办？
优先检查容器运行时是否启用 GPU 支持、设备节点是否映射，以及容器用户是否有访问权限；不要先重装宿主机驱动。
驱动版本显示正常，应用仍提示 CUDA 不可用怎么办？
核对应用、框架和容器内运行库的兼容要求，并在容器内复测设备访问。驱动可用不代表所有应用依赖都已满足。
升级内核后识别失败，能否直接安装新版驱动？
先确认设备仍被系统枚举，并查看模块构建或加载日志。驱动版本应符合该系统和内核环境，再按云平台及发行版支持方式修复或安装。
