我有一些带有 GPU Tensorflow 作业的容器，如果在单个主机上同时执行 2 个或以上作业，则只有 1 个会成功（2018-05-11 13:02:19.147869: E tensorflow/core/common_runtime/direct_session.cc:171] Internal: failed initializing StreamExecutor for CUDA device ordinal 0: Internal: failed call to cuDevicePrimaryCtxRetain: CUDA_ERROR_ECC_UNCORRECTABLE即它们无法正确共享 GPU）。
完美的场景如下：我有 10 个 GPU 作业和最多 5 个容器。前 5 个执行，其他 5 个等待（目前，它们不等待，但尝试执行并失败），当一个完成时，第 6 个立即在同一主机上启动，然后是第 7、8、9、10 个。
我使用 p2.xlarge，并为 gpu 作业设置了 4 个 vCPU 和 42000 内存。根据 ec2instances.info，这台机器有 61.0 GiB 内存和 4 个 vCPU。但无论如何，批处理似乎同时调度了多个容器，从而导致所述失败。
到目前为止我尝试使用vCPU和memory参数，但 Batch 的调度程序似乎忽略了这些。
有趣的是，相关的 ECS 任务定义具有1/--作为的值Hard/Soft memory limits (MiB)，因此看起来像批处理“作业定义”中的值未传播到 ECS“任务定义”。
另一种选择是设置大量的尝试，但是
- 它很丑
- 对于长期运行的任务，即使数量很大也可能会耗尽
- 我失去了对永远运行的作业（例如配置错误）的防御能力
- 不确定这种中断会对正在运行的 Tensorflow 作业产生什么影响