Gke Ai Troubleshooting Tpu Mxla Hang
google/skills/skills/cloud/gke-ai-troubleshooting-tpu-mxla-hang作者 googlec6c7e67107f02e3423df8481272f296bbe61902a無授權條款21K 個星標收錄於 2026年10月9日更新於 2026年10月9日儲存庫今天更新
Diagnose GKE Cloud TPU multi-slice training hangs (Megascale `HANG_DETECTED` logs and hang monitored events) using the ML Diagnostics `Megascale XLA (MXLA) Hang Analyzer` (`gcloud alpha mldiagnostics monitored-events`) and 1-minute Cloud Monitoring multi-slice latency metrics (`kubernetes.io/container/multislice/*`). Distinguishes XLA compiler/HLO launch divergence and host data-input stalls from TPU chip, SparseCore, ICI, or network fabric faults. Use when multi-slice TPU training jobs freeze without progressing steps, emit `HANG_DETECTED`, or stall in collective operations. Don't use for gradual step-time throughput drops without hangs (use gke-ai-troubleshooting-tpu-performance-degradation) or pod preemption/eviction restarts (use gke-ai-troubleshooting-jobset-interruption).
僅公開檔案列表。將技能安裝到工作區後即可檢視檔案內容。
| 路徑 | 大小 | 類型 |
|---|---|---|
| references/path-a-compiler-hlo-divergence.md | 964 B | text/markdown |
| references/path-b-program-queueing-input-stall.md | 1.4 KB | text/markdown |
| references/path-c-hardware-network-faults.md | 2.5 KB | text/markdown |
| references/path-d-no-detected-or-unknown.md | 1.5 KB | text/markdown |
| references/path-e-healthy-telemetry.md | 272 B | text/markdown |
| SKILL.md | 14.5 KB | text/markdown |
來源與署名
來源：google/skills位於skills/cloud/gke-ai-troubleshooting-tpu-mxla-hang提交c6c7e67
授權條款： 無授權條款
內容歸原作者所有。SourceWeft 從公開儲存庫中收錄這些內容。
更多來自 google/skills 的技能
Sign In With Google Web
為各種 Web 架構提供 Sign In With Google（GIS）整合與安全實作的指引。
Gke Ai Troubleshooting Tpu Performance Degradation
使用 ML Diagnostics 事件與 Cloud Monitoring 指標診斷 GKE Cloud TPU 訓練輸送量下降。
Google Cloud Scc Remediation
指導修復 Google Cloud Security Command Center 發現項目，提供需使用者核准的方案與參考手冊。
Google Cloud Recipe Onboarding
引導開發者完成首次 Google Cloud 上手：身分驗證、專案設定、帳單連結與驗證。
Google Cloud Recipe Auth
指導使用者、服務帳戶與工作負載如何對 Google Cloud 服務與 API 進行驗證與授權。
Gcloud
為在 Google Cloud 上執行 gcloud CLI 指令提供安全護欄、語法驗證與資料精簡規則。
更多DevOps & Cloud技能
Update Screenshots
microsoft
在 Screenshots & Tests 檢查失敗後，更新已提交的 CI 截圖雜湊基準。
Playwright Devops
microsoft
Playwright 的 DevOps 工作流程：分析 main 分支最新提交的 GitHub Actions 失敗並下載失敗作業日誌。
M5 Onboard
anthropics
透過 USB 偵測 M5Stack ESP32 開發板，燒錄 UIFlow 2.0 韌體並安裝 MicroPython 應用程式套件。
Runbook
anthropics
為重複性任務建立或更新逐步操作手冊，包含疑難排解、回復與升級流程。
Incident Response
anthropics
引導事故回應流程：嚴重程度分級、狀態更新、緩解追蹤，以及無責事後檢討。
Deploy Checklist
anthropics
產生部署前就緒檢查清單，涵蓋部署前、部署、部署後與回復觸發條件。