====== Troubleshooting Guide: GPU & AI Výpočty ======

Tento průvodce slouží k diagnostice a řešení nejčastějších technických problémů spojených s provozem [[it:slm|Small Language Models]], [[it:ovladace_a_cuda|CUDA]] a [[it:nastaveni_gpu_v_dockeru|Dockeru]].

===== 1. Diagnostické kolečko (První pomoc) =====

Dříve než začnete měnit konfiguraci, proveďte tyto tři kroky:
  * **Ověření HW:** Je karta správně detekována systémem? (''nvidia-smi'' nebo Správce zařízení).
  * **Kontrola VRAM:** Není paměť zaplněna jinou aplikací (prohlížeč, jiný model)?
  * **Restart služeb:** U Dockeru ''sudo systemctl restart docker'', u Windows restart aplikace Ollama/LM Studio.



===== 2. Problémy s pamětí (VRAM) =====

==== Chyba: "CUDA Out of Memory (OOM)" ====
K této chybě dochází, když se model (nebo jeho kontext) nevejde do paměti grafické karty.

  * **Příčina:** Model je příliš velký nebo máte nastavené příliš dlouhé "Context Window".
  * **Řešení:** * Použijte vyšší stupeň **kvantizace** (např. místo Q8 zvolte Q4_K_M).
    * Snižte parametr ''num_ctx'' v konfiguraci modelu.
    * Povolte **GPU offloading** (přesun části vrstev modelu do systémové RAM – podporuje např. llama.cpp).



===== 3. Problémy s ovladači a CUDA =====

==== Chyba: "NVIDIA-SMI has failed because it couldn't communicate" ====
  * **Příčina:** Verze ovladače v jádře (kernel) neodpovídá nainstalovaným knihovnám. Často po aktualizaci OS bez restartu.
  * **Řešení:** Restartujte stroj. Pokud problém přetrvává, přeinstalujte ovladač pomocí [[it:sprava_nvidia_ovladacu|Studio Driveru]].

==== Chyba: "RuntimeError: CUDA error: no kernel image is available" ====
  * **Příčina:** Vaše verze PyTorch/TensorFlow byla zkompilována pro novější (nebo starší) architekturu GPU, než kterou máte.
  * **Řešení:** Zkontrolujte **Compute Capability** vaší karty a nainstalujte odpovídající verzi knihovny.

===== 4. Problémy v Docker prostředí =====

^ Příznak ^ Možná příčina ^ Řešení ^
| Kontejner nevidí GPU | Chybí ''--gpus all'' nebo runtime v Dockeru. | [[it:nastaveni_gpu_v_dockeru#instalace_nvidia_container_toolkit|Instalujte Container Toolkit]]. |
| Pomalý výkon v Dockeru | Používá se CPU místo GPU. | Ověřte přítomnost knihovny ''libnvidia-ml.so'' v kontejneru. |
| Chyba "Unknown runtime: nvidia" | Docker daemon není nakonfigurován. | Spusťte ''nvidia-ctk runtime configure --runtime=docker''. |



===== 5. Stabilita a přehřívání (Throttling) =====

Pokud výkon modelu po čase klesá (klesá počet tokenů za sekundu), pravděpodobně dochází k **Thermal Throttlingu**.

  * **Diagnostika:** Sledujte teplotu příkazem:
<code>watch -n 1 nvidia-smi</code>
  * **Meze:** Pokud teplota překročí **85°C**, karta sníží takt.
  * **Řešení:** * Vyčistěte chlazení.
    * Nastavte agresivnější křivku ventilátorů (Fan Curve).
    * Snižte **Power Limit** (např. ''nvidia-smi -pl 200''), což sníží teplotu při minimálním dopadu na výkon AI.

===== 6. Užitečné logy pro hlášení chyb =====

Při hlášení chyby na support přiložte výstupy z:
  * **Linux:** ''dmesg | grep -i nvidia'' a ''journalctl -u docker''
  * **Windows:** Prohlížeč událostí (Event Viewer) -> Protokoly systému.
  * **AI Nástroje:** Logy v ''~/.ollama/logs'' nebo konzole v LM Studio.

---
**Související rozcestník:**
  * [[it:sprava_nvidia_ovladacu|Správa ovladačů]]
  * [[it:ovladace_a_cuda|Verze CUDA a kompatibilita]]
  * [[it:slm|Optimalizace Small Language Models]]

---
**Autor:** @L3_Support_Team
**Poslední aktualizace:** 04. 01. 2026